利用三元对比学习缓解开放知识图谱的稀疏性
人工智能
2022-11-09 v1
摘要
形式化知识的稀疏性以及非本体化构建的粗糙性，使得稀疏性问题在开放知识图谱（OpenKGs）中尤为突出。由于链接稀疏，为少样本实体学习有效表示变得困难。我们假设，通过引入负样本，对比学习（CL）形式化在此类场景中将是有益的。然而，现有 CL 方法将知识图谱三元组建模为实体的二元对象，忽略了关系引导的三元传播模式，且它们过于通用，即忽略了 OpenKGs 中出现的零样本、少样本与同义问题。为此，我们提出 TernaryCL，一种基于头、关系与尾之间三元传播模式的 CL 框架。TernaryCL 设计对比实体与对比关系以利用负实体与负关系挖掘三元判别特征，引入对比自学习以帮助零样本与少样本实体学习判别特征，对比同义以建模同义实体，以及对比融合以聚合来自多条路径的图特征。在基准上的大量实验证明了 TernaryCL 相对于最先进模型的优越性。
引用
@article{arxiv.2211.03950,
title = {Alleviating Sparsity of Open Knowledge Graphs with Ternary Contrastive Learning},
author = {Qian Li and Shafiq Joty and Daling Wang and Shi Feng and Yifei Zhang},
journal= {arXiv preprint arXiv:2211.03950},
year = {2022}
}