摘要

开放知识图谱(KG)完成的任务是从已知的事实中得出新的发现。增加KG完成度的现有工作需要(1)事实三元组来扩大图推理空间，或(2)手动设计提示从预训练的语言模型(PLM)中提取知识，表现出有限的性能，需要专家付出昂贵的努力。为此，我们提出了TAGREAL，它自动生成高质量的查询提示，并从大型文本语料库中检索支持信息，从PLM中探测知识以补全KG。结果表明，TAGREAL在两个基准数据集上达到了最先进的性能。我们发现TAGREAL即使在有限的训练数据下也具有出色的性能，优于现有的基于嵌入、基于图和基于plm的方法。

1.介绍

知识图(KG)是一种异构图，它以实体-关系-实体三元组的形式编码事实信息，其中关系连接头部实体和尾部实体(例如，“Miamilocated_in-USA”)(Wang等人，2017;Hogan et al, 2021)。KG (Dai等人，2020)在许多NLP应用中起着核心作用，包括问答(Hao等人，2017;Yasunaga等人，2021)、推荐系统(Zhou等人，2020)和药物发现(Zitnik等人，2018)。然而，现有的作品(Wang et al, 2018;Hamilton等人，2018)表明，大多数大规模的kg是不完整的，不能完全覆盖大量的现实世界知识。这一挑战激发了KG补全，其目的是在给定主题实体和关系的情况下找到一个或多个对象实体(Lin et al, 2015)。例如，在图1中ÿ

服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net

相关推荐: kafka原理&架构深入
1. 下载安装
2. 命令行命令
3. 概述
4. 架构深入
5. 面试题

目录 1. 下载安装 2. 命令行命令 3. 概述 3.1 定义 3.2 基本架构 4. 架构深入 4.1 生产者 4.1.1 分区 4.1.2 数据可靠性保证 4.1.3 Exactly Once语义 4.1.4 发送消息流程 4.2 broker 4.2.…