面向多二部图关系学习的协作对抗学习
信息检索
2020-07-17 v1
摘要
关系学习旨在利用不同类型实体间的相关性进行关系推断。由于在推荐等应用中的流行，探索多二部图上的关系学习日益受到关注。如何在观测链接稀少的情况下进行高效关系推断是多二部图上的主要问题。现有多数方法试图通过学习共享表示来整合多源数据中对共享实体的知识，以解决稀疏性问题。然而，它们仅从单一角度（如分布、表示）建模相关性，无法对共享实体的不同关系施加充分约束。对多域数据建模的一种有效方式是学习共享实体跨域的联合分布。本文提出协作对抗学习（CAL），显式建模共享实体跨多个二部图的联合分布。CAL 的目标由变分下界公式化，以最大化观测的联合对数似然。具体而言，CAL 包含来自多个二部图知识的分布级与特征级对齐。两级对齐充当对共享实体不同关系的两种不同约束，并促进多二部图上关系学习的更好知识迁移。在两个真实世界数据集上的大量实验表明，所提模型优于现有方法。
引用
@article{arxiv.2007.08308,
title = {Collaborative Adversarial Learning for RelationalLearning on Multiple Bipartite Graphs},
author = {Jingchao Su and Xu Chen and Ya Zhang and Siheng Chen and Dan Lv and Chenyang Li},
journal= {arXiv preprint arXiv:2007.08308},
year = {2020}
}
备注
8 pages. It has been accepted by IEEE International Conference on Knowledge Graphs (ICKG) 2020