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

第一次实习及读研一年来心路历程总结

ssh连接远程服务器及Linux小常识

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

Bert用于命名实体识别任务（NER）

前记：BERT(Bidirectional Encoder Representation from Transformers)是2018年10月Google AI研究院提出的一种预训练-微调大模型，和GPT属于是同一时期的产物。BERT在多项自然语言处理任务上都实现了SOTA，抛弃了传统模型，在一种任务上需要修改模型架构的方式，而是同一个模型架构在不需要修改的情况下，应用于多个任务上。因此，一经问世就引起了学术界极大地关注，甚至超过了GPT。 BERT的网络架构使用的是基于Transformer中的Encoder部分，由于其使用Attention的关系，从而避免了传统网络结构，诸如RNN，LSTM，GRU等的遗忘问题，可以捕获一个长序列不同token的相关性问题。 Bert架构图如下：网络结构介绍：这里重点介绍一下Bert的嵌入编码部分，后面部分就是Encoder模块的堆叠了，并没有什么新奇的。Bert的嵌入编码有三部分，分别是token Embedding，position Embedding, segment Embedding，之所以这里需要segment Embeddi...

评论

数据加载中