用于知识库补全的上下文感知路径排序
计算与语言
2017-12-25 v1 人工智能
摘要
知识库（KB）补全旨在从 KB 中已有事实推断缺失事实。在各种方法中，路径排序（PR）算法近年来受到越来越多的关注。PR 算法枚举 KB 中实体对之间的路径，并将这些路径作为特征来训练缺失事实预测模型。由于其良好性能和高模型可解释性，已提出若干方法。然而，大多数现有方法存在可扩展性（高 RAM 消耗）和特征爆炸（在指数级大量特征上训练）问题。本文提出一种上下文感知路径排序（C-PR）算法，通过引入选择性路径探索策略来解决这些问题。C-PR 利用词嵌入学习 KB 中实体的全局语义，并借助实体语义知识通过双向随机游走枚举上下文相关路径。在三个大型 KB 上的实验结果表明，C-PR 发现的路径特征（数量更少）不仅提升了预测性能，而且比现有基线更具可解释性。
引用
@article{arxiv.1712.07745,
title = {Context-aware Path Ranking for Knowledge Base Completion},
author = {Sahisnu Mazumder and Bing Liu},
journal= {arXiv preprint arXiv:1712.07745},
year = {2017}
}