.png){kind=icon}
返回
A Multi-condition diffusion model for completing hyper-relational knowledge graphs via conditional entity generation
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-026-02293-5.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
超关系知识图谱通过引入限定符来为实体和关系分配上下文角色，但它们仍不完整，需要额外的预测任务进行进一步增强。然而，现有方法依赖于确定性预测来完成图谱，限制了其捕捉因实体和关系角色不同而产生的多样语义的能力。在预测过程中从单一语义结果中准确识别目标具有挑战性，导致性能下降，特别是在候选答案众多的情况下。为解决这一挑战，我们将实体预测任务重新表述为条件实体生成问题，并提出了一种新颖的方法——多条件扩散模型（MCDM）。具体而言，MCDM利用去噪扩散过程来估计目标概率分布。直接采用扩散模型难以处理任意数量的限定符，并且有效利用这些多重条件来捕捉多样潜在语义仍然是一个重大挑战。我们引入了多条件去噪模块，以帮助生成目标并利用数据集特定的条件聚合函数高效管理限定符。概念上，我们的工作将超关系知识图谱补全从确定性预测推进到基于扩散模型的概率条件生成，并提供了一种合理利用限定符信息来建模多样潜在语义的方法。在真实数据集上的广泛实验表明，我们的方法显著优于当前最佳基线方法，相较于第二名方法最高提升10%。
Keyword:
Hyper-relational knowledge graph
Hyper-relational knowledge graph completion
Entity generation
Diffusion model
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
C
IF:
4.6
论文数:
291
被引数:
0
机构
引用论文
暂无论文信息