论文阅读笔记---LLM结合规则学习方法提出一种新的时态知识图谱推理框架

发表于2025-08-11|更新于2025-08-11|论文阅读笔记

|总字数:19|阅读时长:1分钟|浏览量:|评论数:

当前文章暂不对外可见，请输入密码后查看！

文章作者: TCcjx

文章链接: https://tccjx.github.io/2025-08-11-post17_GenTKG-%E4%BC%A0%E7%BB%9F%E8%A7%84%E5%88%99%E6%96%B9%E6%B3%95%E7%BB%93%E5%90%88%E5%A4%A7%E6%A8%A1%E5%9E%8B%E7%9A%84%E7%9F%A5%E8%AF%86%E5%9B%BE%E8%B0%B1%E6%8E%A8%E7%90%86%E6%A1%86%E6%9E%B6/

版权声明: 本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源思想是一个锐化的过程！

大模型 private 时态知识图谱推理传统规则学习方法

相关推荐

综述(自用)-基于规则方法的时间知识图谱推理(预测)

论文阅读笔记---LCGE-基于逻辑和常识来实现时态知识图谱补全的方法

论文阅读笔记---LLM + 图结构信息编码未知实体和关系进行TKGs补全任务

大模型中的三角位置编码实现

三角位置编码公式： Transformer中嵌入表示 + 位置编码的实现12345678910111213141516171819202122232425262728293031323334353637import torchimport mathfrom torch import nn# 词嵌入位置编码实现class EmbeddingWithPosition(nn.Module): """ vocab_size:词表大小 emb_size: 词向量维度 seq_max_len: 句子最大长度 (人为设定，例如GPT2的最大长度是1024) """ def __init__(self, vocab_size, emb_size, dropout=0.1, seq_max_len=5000): self.seq_emb = nn.Embedding(vocab_size, emb_size) # 序列中每个token的embedding向量表示 # 位置...

论文阅读笔记---CyGNet阅读笔记-TKG推理任务

基于Transformers库的命名实体识别

step1 导入相关包123import evaluatefrom datasets import load_datasetfrom transformers import AutoTokenizer, AutoModelForTokenClassification, TrainingArguments, Trainer, DataCollatorForTokenClassification step2 加载数据集123from datasets import DatasetDictner_datasets = DatasetDict.load_from_disk("ner_data")ner_datasets 输出：DatasetDict({ train: Dataset({ features: [‘id’, ‘tokens’, ‘ner_tags’], num_rows: 20865 }) validation: Dataset({ features: [‘id’, ‘tokens’, ‘ner...

评论

数据加载中