.png){kind=icon}
返回
HyperKGLinker: A method for solving link prediction in hyper-relational knowledge graphs
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-026-07104-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
超关系知识图谱能够提升工业生产的智能性、效率与可靠性，促进设备协同，并优化供应链。然而，由于当前数据与技术限制，工业领域的知识图谱构建仍不完善。链接预测可有效解决此问题。因此，本文构建了面向矿山提升机的超关系知识图谱，以执行链接预测任务。在传统三元组数据集中，链接预测涉及对实体或关系的掩码处理，以预测MRR和Hits@K。尽管在传统三元组数据集上的链接预测已取得显著进展，但针对超关系数据集的研究仍显不足。本文提出一种解决超关系知识图谱中链接预测问题的全新方法——HyperKGLinker，该方法专门针对超关系知识图谱中的链接预测问题。该方法创新性地整合了超关系文本数据与超关系图谱数据。相较于基线模型，我们的模型在不同数据集上展现出更优的预测性能，表明在超关系知识图谱中链接预测的准确性与效率得到显著提升。未来研究工作：(1) 整合生成式大语言模型（如GPT），以进一步优化和扩展自建的矿山提升机超关系知识图谱，从而探索HyperKGLinker的泛化能力；(2) 研究模型可解释性方法，使用户能够理解模型的预测结果及决策过程，增强其可信度与可用性。
Keyword:
Hyper-relational knowledge graph
Link prediction
Mine hoist
HyperKGLinker
GPT
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
引用论文
Cluster-GCN.png)
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏
查看更多内容