声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-2560/TP
国际刊号：1000-9825
发布日期:
作者：张宁豫，谢辛，陈想，邓淑敏，叶宏彬，陈华钧
单位：张宁豫，浙江大学 AZFT知识引擎实验室, 浙江 杭州 310028;浙江大学 杭州国际科创中心, 浙江 杭州 31002811,谢辛，浙江大学 AZFT知识引擎实验室, 浙江 杭州 310028;浙江大学 杭州国际科创中心, 浙江 杭州 31002802,陈想，浙江大学 AZFT知识引擎实验室, 浙江 杭州 310028;浙江大学 杭州国际科创中心, 浙江 杭州 31002803,邓淑敏，浙江大学 AZFT知识引擎实验室, 浙江 杭州 310028;浙江大学 杭州国际科创中心, 浙江 杭州 31002804,叶宏彬，浙江大学 AZFT知识引擎实验室, 浙江 杭州 310028;浙江大学 杭州国际科创中心, 浙江 杭州 31002805,陈华钧，浙江大学 AZFT知识引擎实验室, 浙江 杭州 310028;浙江大学 杭州国际科创中心, 浙江 杭州 31002806
关键词：低资源;知识图谱补全;链接预测;关系抽取;预训练语言模型
基金：国家自然科学基金(91846204,U19B2027)
知识图谱补全能让知识图谱变得更加完整.现有的知识图谱补全工作大多会假设知识图谱中的实体或关系有充足的三元组实例.然而,在通用领域,存在大量长尾三元组;在垂直领域,较难获得大量高质量的标注数据.针对这一问题,提出了一种基于知识协同微调的低资源知识图谱补全方法.通过已有的结构化知识来构造初始的知识图谱补全提示,并提出一种协同微调算法来学习最优的模板、标签和模型的参数.所提方法同时利用了知识图谱中的显式结构化知识和语言模型中的隐式事实知识,且可以同时应用于链接预测和关系抽取两种任务.实验结果表明,该方法在3个知识图谱推理数据集和5个关系抽取数据集上都取得了目前最优的性能.
来源：2022年第10期
《软件学报》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。