面向不完整知识图谱上逻辑查询的上下文图注意力机制
机器学习
2019-10-02 v1 人工智能
计算与语言
机器学习
摘要
近年来，若干研究探索了利用知识图谱(KG)嵌入来回答逻辑查询的方法。这些方法要么将嵌入学习与查询回答视为两个分离的学习任务，要么未能处理不同查询路径贡献的可变性。我们提出利用图注意力机制来处理不同查询路径的不等贡献。然而，常用的图注意力假设中心节点嵌入是给定的，而该任务中中心节点待预测，故不可用。为解决此问题，我们提出了一种基于多头注意力的端到端逻辑查询回答模型，称为上下文图注意力模型(CGA)，其使用初始邻域聚合层生成中心嵌入，且整个模型在原始KG结构以及采样的查询-答案对上联合训练。我们还引入了两个新数据集DB18和WikiGeo19，与现有数据集相比规模相当大且包含更多关系类型，并用它们评估所提模型的性能。我们的结果表明，所提CGA在参数更少的情况下，在这两个数据集以及Bio数据集上始终优于基线模型。
引用
@article{arxiv.1910.00084,
title = {Contextual Graph Attention for Answering Logical Queries over Incomplete Knowledge Graphs},
author = {Gengchen Mai and Krzysztof Janowicz and Bo Yan and Rui Zhu and Ling Cai and Ni Lao},
journal= {arXiv preprint arXiv:1910.00084},
year = {2019}
}
备注
8 pages, 3 figures, camera ready version of article accepted to K-CAP 2019, Marina del Rey, California, United States