基于 CNN 的双链模型用于知识图学习
计算与语言
2019-11-27 v2 信息检索
机器学习
摘要
在实践部署机器学习和数据挖掘模型时，知识图学习在整合领域特定知识库中起着关键作用。现有的知识图学习方法主要将实体间关系建模为关系和实体间的平移，且其中许多方法无法处理新实体出现时的零样本问题。本文中，我们提出一种基于卷积神经网络（CNN）的双链模型。与基于平移的方法不同，我们的模型通过 CNN 直接在其嵌入上捕获关系和实体间的交互。此外，同时进行了第二链学习以融入额外信息并提升性能。我们还给出了该模型的扩展，其融入实体描述并从描述中学习第二组实体嵌入。因此，扩展模型能有效处理零样本问题。我们进行了综合实验，在 8 个基准数据集上将我们的方法与 15 种方法比较。广泛的实验结果表明，我们提出的方法在知识图学习上达到或优于最先进结果，并在零样本问题上优于其他方法。此外，我们的方法应用于真实世界生物医学数据能够产生符合专家领域知识的结果。
引用
@article{arxiv.1911.06910,
title = {CNN-based Dual-Chain Models for Knowledge Graph Learning},
author = {Bo Peng and Renqiang Min and Xia Ning},
journal= {arXiv preprint arXiv:1911.06910},
year = {2019}
}