CAKE：一种用于多视角知识图谱补全的可扩展常识感知框架
人工智能
2022-04-19 v3 计算与语言
摘要
知识图谱存储了大量事实三元组，但它们不可避免地仍不完整。以往的知识图谱补全（KGC）模型仅依赖事实视角数据预测实体间缺失链接，忽略了有价值的常识知识。以往的知识图谱嵌入（KGE）技术受限于无效的负采样以及事实视角链接预测的不确定性，制约了 KGC 的性能。为应对上述挑战，我们提出一种新颖且可扩展的常识感知知识嵌入（CAKE）框架，利用实体概念从事实三元组中自动提取常识。生成的常识增强了有效的自监督，以促进高质量的负采样（NS）以及联合的常识与事实视角链接预测。在 KGC 任务上的实验结果表明，集成我们的框架可提升原始 KGE 模型的性能，且所提出的常识感知 NS 模块优于其他 NS 技术。此外，我们的框架可轻松适配多种 KGE 模型并解释预测结果。
引用
@article{arxiv.2202.13785,
title = {CAKE: A Scalable Commonsense-Aware Framework For Multi-View Knowledge Graph Completion},
author = {Guanglin Niu and Bo Li and Yongfei Zhang and Shiliang Pu},
journal= {arXiv preprint arXiv:2202.13785},
year = {2022}
}
备注
The full version of a long paper accepted to ACL 2022 main conference