关联规则增强的知识图谱注意力网络
信息检索
2020-11-18 v1
摘要
大多数现有知识图谱都存在不完整性。将知识图谱嵌入到连续向量空间中近年来在知识库补全任务中引起了越来越多的关注。然而，在多数现有嵌入方法中，仅利用了事实三元组，而逻辑规则尚未被深入研究的用于知识库补全任务。为克服该问题，我们提出了一种关联规则增强的知识图谱注意力网络（AR-KGAT）。AR-KGAT 在图注意力网络框架下以端到端方式捕获任意给定实体的高阶邻域的实体与关系特征。AR-KGAT 的主要组件是一个有效的邻域聚合器编码器，其通过以基于关联规则和基于图的注意力权重聚合邻居来解决这些问题。此外，所提模型还封装了节点多跳邻居的表示以精炼其嵌入。解码器使 AR-KGAT 在实体与关系之间具有平移性，同时保持优越的链接预测性能。一种类逻辑推断模式被用作知识图谱嵌入的约束。随后，在原子公式与复杂公式上同时最小化全局损失以完成嵌入任务。以此方式，我们学习到与三元组和规则兼容的嵌入，其对知识获取与推断无疑更具预测性。我们在两个基准数据集 WN18RR 和 FB15k-237 上进行了大量实验，针对链接预测与三元组分类两个知识图谱补全任务以评估所提 AR-KGAT 模型。结果表明，所提 AR-KGAT 模型相比最先进（SOTA）方法取得了显著且一致的改进。
引用
@article{arxiv.2011.08431,
title = {Association Rules Enhanced Knowledge Graph Attention Network},
author = {Zhenghao Zhang and Jianbin Huang and Qinglin Tan},
journal= {arXiv preprint arXiv:2011.08431},
year = {2020}
}
备注
19 pages, 9 figures. arXiv admin note: text overlap with arXiv:1906.01195 by other authors