面向双曲知识图谱嵌入的三维旋转与平移
计算与语言
2024-02-06 v2
摘要
知识图谱（KG）嵌入的主要目标是学习实体与关系的低维表示，从而能够预测缺失事实。实现更优 KG 嵌入的一大挑战在于捕捉关系模式，包括对称性、反对称性、逆关系、可交换复合、不可交换复合、层次性与多重性。本研究提出了一种名为 3H-TH（双曲空间中的三维旋转与平移）的新模型，可同时捕捉这些关系模式。相比之下，此前的尝试未能同时在上述所有性质上取得令人满意的表现。实验结果表明，新模型在低维空间中于准确率、层次性质及其他关系模式方面优于现有的 SOTA 模型，同时在高维空间中表现相近。
引用
@article{arxiv.2305.13015,
title = {3D Rotation and Translation for Hyperbolic Knowledge Graph Embedding},
author = {Yihua Zhu and Hidetoshi Shimodaira},
journal= {arXiv preprint arXiv:2305.13015},
year = {2024}
}
备注
19 pages, EACL2024 main