一种用于知识表示学习的对抗迁移网络

知识表示学习在过去几年中备受关注。现有方法的成功严重依赖于知识图谱的质量。三元组较少的实体往往学习到的表达能力较弱。幸运的是，存在许多从不同来源构建的知识图谱，其表示可包含大量信息。我们提出一种对抗嵌入迁移网络 ATransN，它通过对齐实体集将一个或多个教师知识图谱中的知识迁移到目标图谱，且不发生显式数据泄漏。具体而言，我们在现有知识表示学习方法上对已对齐实体对及其邻居添加软约束。为处理教师与目标知识图谱之间可能的分布差异，我们引入了对抗适配模块。该模块的判别器评估对齐实体对嵌入之间的一致性程度。一致性分数随后被用作软约束的权重。由于仅利用实体表示，无需获取教师知识图谱中的关系与三元组。知识图谱补全结果表明，在 CN3l、WK3l 和 DWY100k 三个数据集上，ATransN 相较于无迁移的基线取得了更优性能。消融研究证明 ATransN 能在不同设定下带来稳定且一致的提升。结合其他知识图谱嵌入算法的扩展以及使用三个教师图谱的扩展展示了该对抗迁移网络良好的泛化能力。