用于知识库补全的规范张量分解
机器学习
2018-06-20 v1 人工智能
机器学习
社会与信息网络
摘要
知识库补全问题可被框定为三阶二值张量补全问题。就此而言，规范张量分解（CP）（Hitchcock, 1927）似乎是自然的解决方案；然而，当前在标准知识库补全基准上CP的实现落后于其竞争者。本工作中，我们试图理解CP用于知识库补全的极限。首先，我们提出并测试了一种基于张量核-范数的新型正则化器。然后，我们给出了该问题的一个重构，使其对数据集中谓词或其逆谓词包含的任意选择保持不变。这两种方法结合使我们能用CP分解在多个数据集上击败当前最先进水平，并使用更先进的ComplEx模型获得更好的结果。
引用
@article{arxiv.1806.07297,
title = {Canonical Tensor Decomposition for Knowledge Base Completion},
author = {Timothée Lacroix and Nicolas Usunier and Guillaume Obozinski},
journal= {arXiv preprint arXiv:1806.07297},
year = {2018}
}