用于知识库补全的可解释知识迁移模型
计算与语言
2017-05-04 v2 人工智能
机器学习
摘要
知识库是多种自然语言处理任务的重要资源，但存在不完整性。我们提出一种新颖嵌入模型，ITransF，用于执行知识库补全。配备稀疏注意力机制，ITransF发现关系的隐藏概念并通过概念共享迁移统计强度。此外，由稀疏注意力向量表示的关系与概念之间的学习关联可轻易解释。我们在两个基准数据集---WN18和FB15k上评估ITransF用于知识库补全，并在平均排名和Hits@10指标上均优于所有不使用额外信息的基线。
引用
@article{arxiv.1704.05908,
title = {An Interpretable Knowledge Transfer Model for Knowledge Base Completion},
author = {Qizhe Xie and Xuezhe Ma and Zihang Dai and Eduard Hovy},
journal= {arXiv preprint arXiv:1704.05908},
year = {2017}
}
备注
Accepted by ACL 2017. Minor update