AIGC動態(tài)歡迎閱讀

原標(biāo)題：兩位本科生一作，首次提出「持續(xù)學(xué)習(xí)」+「少樣本」知識圖譜補全 | CIKM 2024
關(guān)鍵字：模型,關(guān)系,知識,圖譜,樣本
文章來源：新智元
內(nèi)容字數(shù)：0字

內(nèi)容摘要：

新智元報道編輯：LRST
【新智元導(dǎo)讀】上海大學(xué)本科生研發(fā)的新框架能有效應(yīng)對知識圖譜補全中的災(zāi)難性遺忘和少樣本學(xué)習(xí)難題，提升模型在動態(tài)環(huán)境和數(shù)據(jù)稀缺場景下的應(yīng)用能力。這項研究不僅推動了領(lǐng)域發(fā)展，也為實際應(yīng)用提供了寶貴參考。知識圖譜（Knowledge Graphs）是一種結(jié)構(gòu)化的，用于展示和管理信息，組織現(xiàn)實世界知識的形式。其通常被表達為三元組形式（）。KGs 為問答系統(tǒng)、推薦系統(tǒng)和搜索引擎等各種實際應(yīng)用提供了極其重要支持。
然而現(xiàn)有知識圖譜的顯著不完整性嚴重限制了其在實際應(yīng)用中的有效性。
同時，在現(xiàn)實實際應(yīng)用中，知識圖譜中的關(guān)系呈現(xiàn)長尾分布，即大多數(shù)關(guān)系只有少量相關(guān)的三元組。這種稀缺導(dǎo)致了模型對于長尾關(guān)系的泛化能力不足，從而使得知識圖譜補全模型的整體效果較差 (Few-shot Learning) 。
進一步，隨著時間的推演，越來越多的新關(guān)系被添加到關(guān)系集中，并在不同時間點集成到知識圖譜中。這意味著模型不僅需要學(xué)習(xí)當(dāng)前階段的知識更需要記住在之前階段學(xué)習(xí)過的知識 (Continual Learning) 。
最近，上海大學(xué)的本科生李卓風(fēng)、張灝翔（第一作者以及共

原文鏈接：兩位本科生一作，首次提出「持續(xù)學(xué)習(xí)」+「少樣本」知識圖譜補全 | CIKM 2024

聯(lián)系作者

文章來源：新智元
作者微信：
作者簡介：