面向少样本知识图谱补全的自适应注意力网络
计算与语言
2021-07-06 v1
摘要
少样本知识图谱（KG）补全是当前研究的热点，其每个任务旨在给定某关系的少量参考实体对的情况下查询该关系未观测到的事实。近期研究通过学习的实体与参考的静态表示来解决该问题，忽略了它们的动态特性，即实体在任务关系中可能表现出不同角色，而参考对查询可能做出不同贡献。本文提出一种用于少样本知识图谱补全的自适应注意力网络，通过学习自适应的实体与参考表示。具体而言，实体由自适应邻居编码器建模以辨识其面向任务的角色，而参考由自适应查询感知聚合器建模以区分其贡献。通过注意力机制，实体与参考均能捕捉其细粒度语义，从而给出更具表达力的表示。这将对少样本场景下的知识获取更具预测性。在两个公开数据集上的链接预测评测表明，我们的方法在不同少样本规模下均取得了新的 SOTA 结果。
引用
@article{arxiv.2010.09638,
title = {Adaptive Attentional Network for Few-Shot Knowledge Graph Completion},
author = {Jiawei Sheng and Shu Guo and Zhenyu Chen and Juwei Yue and Lihong Wang and Tingwen Liu and Hongbo Xu},
journal= {arXiv preprint arXiv:2010.09638},
year = {2021}
}
备注
11 pages, 3 figures