一种用于零样本链接预测的分层 N-Gram 框架
计算与语言
2023-01-10 v6 人工智能
摘要
由于知识图谱(KGs)的不完备性,旨在预测 KGs 中未观测关系的零样本链接预测(ZSLP)近来引起了研究人员的兴趣。一种常见的解决方案是利用关系的文本特征(例如,表面名称或文本描述)作为辅助信息,以弥合已见与未见关系之间的鸿沟。现有方法为文本中的每个词元学习一个嵌入。这些方法缺乏鲁棒性,因为它们受到词表外(OOV)问题的困扰。同时,基于字符 n-gram 的模型能够为 OOV 词生成富有表现力的表示。因此,在本文中,我们提出了一种用于零样本链接预测的分层 N-Gram 框架(HNZSLP),该框架考虑了 ZSLP 中关系表面名称的字符 n-gram 之间的依赖关系。我们的方法首先在该表面名称上构建分层 n-gram 图,以建模导致该表面名称的 n-gram 的组织结构。然后提出基于 Transformer 的 GramTransformer 来建模该分层 n-gram 图,从而构建用于 ZSLP 的关系嵌入。实验结果表明,所提出的 HNZSLP 在两个 ZSLP 数据集上取得了最先进的性能。
引用
@article{arxiv.2204.10293,
title = {A Hierarchical N-Gram Framework for Zero-Shot Link Prediction},
author = {Mingchen Li and Junfan Chen and Samuel Mensah and Nikolaos Aletras and Xiulong Yang and Yang Ye},
journal= {arXiv preprint arXiv:2204.10293},
year = {2023}
}
备注
Published as a conference paper at EMNLP Findings 2022