适配元知识图谱信息用于少样本关系的多跳推理
人工智能
2019-09-02 v1 机器学习
摘要
多跳知识图谱（KG）推理是一种有效且可解释的方法，用于在问答（QA）任务中通过推理路径预测目标实体。以往大多数方法假设 KG 中每个关系都有足够的训练三元组，而忽略了那些无法提供充足三元组来训练鲁棒推理模型的少样本关系。事实上，现有多跳推理方法在少样本关系上的性能显著下降。本文中，我们提出一种基于元学习的多跳推理方法（Meta-KGR），该方法采用元学习从高频率关系中学习有效的元参数，从而能够快速适配到少样本关系。我们在从 Freebase 和 NELL 采样的两个公开数据集上评估 Meta-KGR，实验结果表明 Meta-KGR 在少样本场景下优于当前最先进的方法。我们的代码和数据集可从 https://github.com/THU-KEG/MetaKGR 获取。
引用
@article{arxiv.1908.11513,
title = {Adapting Meta Knowledge Graph Information for Multi-Hop Reasoning over Few-Shot Relations},
author = {Xin Lv and Yuxian Gu and Xu Han and Lei Hou and Juanzi Li and Zhiyuan Liu},
journal= {arXiv preprint arXiv:1908.11513},
year = {2019}
}