一种用于知识图谱的物理嵌入模型
计算与语言
2020-01-22 v1
摘要
知识图谱嵌入方法为知识图谱中的实体学习连续的向量表示，并已成功应用于大量任务。我们提出一种新颖且可扩展的知识图谱嵌入计算范式，称之为 PYKE。我们的方法将基于胡克定律及其逆的物理模型与来自模拟退火的思想相结合，以高效计算知识图谱的嵌入。我们证明 PYKE 实现了线性空间复杂度。尽管我们方法的初始化时间复杂度为二次，但其每次迭代的时间复杂度关于输入知识图谱的规模是线性的。因此，PYKE 的总体运行时间接近线性。进而，我们的方法可轻松扩展至包含数百万三元组的知识图谱。我们在 DrugBank 和 DBpedia 数据集上通过两组实验将我们的方法与六种最先进的嵌入方法进行评估。第一组实验表明，PYKE 实现的簇纯度比最先进水平最高高出 26%（绝对值）。此外，在最优情况下 PYKE 比现有嵌入方案快 22 倍以上。我们第二组实验的结果表明，在类型预测任务上 PYKE 比最先进水平最高高出 23%（绝对值），同时保持其优越的可扩展性。我们的实现与结果均为开源，可在 http://github.com/dice-group/PYKE 获取。
引用
@article{arxiv.2001.07418,
title = {A Physical Embedding Model for Knowledge Graphs},
author = {Caglar Demir and Axel-Cyrille Ngonga Ngomo},
journal= {arXiv preprint arXiv:2001.07418},
year = {2020}
}
备注
9th Joint International Conference, JIST 2019, Hangzhou, China