增强知识图谱以改善链接预测
人工智能
2022-04-26 v2
摘要
嵌入方法通过主要编码实体关系，在知识图谱的链接预测任务上展现出稳健性能。近期方法提出用字面量感知项来增强损失函数。本文中，我们提出KGA：一种知识图谱增强方法，其在嵌入模型中纳入字面量而无需修改其损失函数。KGA将数值与年份值离散化为箱，并水平地（建模相邻值）与垂直地（建模多层级粒度）链接这些箱。KGA可扩展，并可用作任何现有知识图谱嵌入模型的前处理步骤。在遗留基准与新大型基准DWD上的实验表明，用数值与年份增强知识图谱有利于预测实体与数字，因为KGA优于原始模型与其他相关基线。我们的消融研究证实，数值与年份均对KGA性能有贡献，且其性能依赖于离散化与分箱设置。我们公开代码、模型与DWD基准以促进可复现性与未来研究。
引用
@article{arxiv.2203.13965,
title = {Augmenting Knowledge Graphs for Better Link Prediction},
author = {Jiang Wang and Filip Ilievski and Pedro Szekely and Ke-Thia Yao},
journal= {arXiv preprint arXiv:2203.13965},
year = {2022}
}