knowledge-graph-reasoning

本文介绍了GRiD，一个利用扩散模型和强化学习生成图状规则（如循环、分支）以进行知识图谱推理的框架，解决了现有链式规则挖掘方法的局限性。在六个基准数据集上的实验表明，该方法在知识图谱补全任务中取得了有竞争力的性能。

本文提出了一种面向时序知识图谱推理（TKGR）的显著性感知评估框架，该框架根据事件的稀有性对其加权，以更好地评估模型推理能力，解决了由琐碎重复事件导致的过高估计问题。