ComDensE：融合关系感知与公共特征的稠密嵌入用于知识图谱补全
人工智能
2022-07-01 v1 机器学习
摘要
现实世界的知识图谱（KG）大多是不完整的。恢复缺失关系的问题称为 KG 补全，近来已成为一个活跃的研究领域。知识图谱（KG）嵌入，即实体与关系的低维表示，是 KG 补全的关键技术。ConvE、SACN、InteractE 和 RGCN 等模型中的卷积神经网络取得了近期成功。本文从不同的架构视角出发，提出 ComDensE，其使用稠密神经网络组合关系感知特征与公共特征。在关系感知特征提取中，我们尝试通过应用针对每个关系特定的编码函数来创建关系归纳偏置。在公共特征提取中，我们对所有输入嵌入应用公共编码函数。这些编码函数在 ComDensE 中通过稠密层实现。在链接预测方面，ComDensE 在 FB15k-237 的 MRR、HIT@1 以及 WN18RR 的 HIT@1 上相比先前基线方法取得了最先进的性能。我们进行了广泛的消融研究以检验 ComDensE 关系感知层与公共层的影响。实验结果表明，如 ComDensE 中所实现的组合稠密架构取得了最佳性能。
引用
@article{arxiv.2206.14925,
title = {ComDensE : Combined Dense Embedding of Relation-aware and Common Features for Knowledge Graph Completion},
author = {Minsang Kim and Seungjun Baek},
journal= {arXiv preprint arXiv:2206.14925},
year = {2022}
}
备注
International Conference on Pattern Recognition 2022, Accepted