详细内容或原文请订阅后点击阅览
AgREE：新兴实体知识图补全的代理推理
开放领域知识图谱补全（KGC）在不断变化的世界中面临着重大挑战，特别是考虑到每日新闻中不断出现新实体时。现有的 KGC 方法主要依赖于预训练语言模型的参数知识、预构建的查询或单步检索，通常需要大量的监督和训练数据。即便如此，他们通常无法捕获有关不受欢迎和/或新兴实体的全面且最新的信息。为此，我们介绍了新兴实体的代理推理（AgREE），这是一本小说……
来源:Apple机器学习研究开放领域知识图谱补全（KGC）在不断变化的世界中面临着重大挑战，特别是考虑到每日新闻中不断出现新实体时。现有的 KGC 方法主要依赖于预训练语言模型的参数知识、预构建的查询或单步检索，通常需要大量的监督和训练数据。即便如此，他们通常无法捕获有关不受欢迎和/或新兴实体的全面且最新的信息。为此，我们引入了新兴实体的代理推理（AgREE），这是一种基于代理的新型框架，它结合了迭代检索动作和多步推理来动态构建丰富的知识图三元组。实验表明，尽管需要零训练工作量，AgREE 在构建知识图三元组方面显着优于现有方法，尤其是对于语言模型训练过程中未看到的新兴实体，比之前的方法高出高达 13.7%。此外，我们提出了一种新的评估方法，解决了现有设置的根本弱点，并为 KGC 的新兴实体制定了新基准。我们的工作证明了将基于代理的推理与战略信息检索相结合以在动态信息环境中维护最新知识图的有效性。