Improving Knowledge Graph-based BERT Pre-Training Through Entity Hot Partition and Adapter Fusion
Notice bibliographique
Résumé
Enhancing pre-training models based on knowledge graphs is an emerging technique used to handle knowledge-intensive tasks. In the latest research presented at EMNLP 2021, an approach to multi-subgraph BERT embedding using knowledge graph partitioning is developed, demonstrating the effectiveness of parallel multiple subgraphs-based BERT embeddings. However, this approach is task-agnostic and only consider topological features during the knowledge graph partitioning process, while in practical applications such as question answering, the graph partitioning can dynamically change as users' interaction, that may neglect entity popularity features and potentially affect the performance of pre-training models. In this paper, we propose an entity hot partition(EHP) approach to multi-subgraph BERT embedding. We improve the performance of the BERT model through integrating entity hot partitioning and adapter fusion. By calculating entity popularity based on knowledge graph triplets, we construct an entity popularity weight vector and introduce it into the classic METIS method to achieve popularity-sensitive graph partitioning. Finally, the partitioned graph results are fed into adapters to facilitate fine-tuning-based BERT pretraining. We conducted extensive experiments on three biomedical BERT models, namely SciBERT, BioBERT, and PubMedBERT, across six downstream tasks. The results demonstrate the effectiveness of our approach in achieving the performance improvements under simulated popularity scenarios.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».