两位本科生一作，首次提出「持续学习」+「少样本」知识图谱补全 | CIKM 2024

文章预览

   新智元报道   编辑：LRST 【新智元导读】 上海大学本科生研发的新框架能有效应对知识图谱补全中的灾难性遗忘和少样本学习难题，提升模型在动态环境和数据稀缺场景下的应用能力。这项研究不仅推动了领域发展，也为实际应用提供了宝贵参考。 知识图谱（Knowledge Graphs）是一种结构化的，用于展示和管理信息，组织现实世界知识的形式。其通常被表达为三元组形式（ < 头实体，关系，尾实体>）。KGs 为问答系统、推荐系统和搜索引擎等各种实际应用提供了极其重要支持。 然而现有知识图谱的显著不完整性严重限制了其在实际应用中的有效性。 同时，在现实实际应用中，知识图谱中的关系呈现长尾分布，即大多数关系只有少量相关的三元组。这种稀缺导致了模型对于长尾关系的泛化能力不足，从而使得知识图谱补全模型的整体效果较差 (Few- ………………………………