BoxE：一种用于知识库补全的盒子嵌入模型
人工智能
2020-10-30 v2 机器学习
摘要
知识库补全（KBC）旨在利用知识库（KB）中已有的信息自动推断缺失事实。KBC 的一种有前景的方法是将知识嵌入到潜在空间中，并从学到的嵌入中进行预测。然而，现有的嵌入模型至少存在以下局限之一：（1）理论上的不可表达性，（2）缺乏对重要推理模式（如层次结构）的支持，（3）缺乏对高阶关系上 KBC 的支持，（4）缺乏对逻辑规则融入的支持。在此，我们提出一种称为 BoxE 的空间平移嵌入模型，它同时解决了所有这些局限。BoxE 将实体嵌入为点，将关系嵌入为一组超矩形（或盒子），这些盒子在空间上刻画了基本逻辑属性。这一看似简单的抽象产生了一个完全可表达的模型，为许多期望的逻辑属性提供了自然编码。BoxE 既能捕捉也能注入来自丰富规则语言类的规则，远远超越单个推理模式。通过设计，BoxE 自然适用于高阶 KB。我们进行了详细的实验分析，表明 BoxE 在基准知识图和更一般的 KB 上均达到了最先进的性能，并实证展示了融合逻辑规则的能力。
引用
@article{arxiv.2007.06267,
title = {BoxE: A Box Embedding Model for Knowledge Base Completion},
author = {Ralph Abboud and İsmail İlkan Ceylan and Thomas Lukasiewicz and Tommaso Salvatori},
journal= {arXiv preprint arXiv:2007.06267},
year = {2020}
}
备注
Proceedings of the Thirty-Fourth Annual Conference on Advances in Neural Information Processing Systems (NeurIPS 2020). Code and data available at: http://www.github.com/ralphabb/BoxE