卷积复数知识图谱嵌入
机器学习
2021-06-10 v3 计算与语言
机器学习
摘要
本文研究知识图谱连续向量表示学习以预测缺失链接的问题。我们提出一种称为ConEx的新方法，其通过利用二维卷积与复值嵌入向量的Hermitian内积的组合来推断缺失链接。我们在WN18RR、FB15K-237、KINSHIP和UMLS基准数据集上将ConEx与最先进方法进行比较。实验结果表明，在全部数据集的链接预测任务上，ConEx性能优于RotatE、QuatE和TuckER等最先进方法，同时所需参数至少减少8倍。我们通过提供开源实现（包含训练、评估脚本及预训练模型，见https://github.com/conex-kge/ConEx）来确保结果可复现。
引用
@article{arxiv.2008.03130,
title = {Convolutional Complex Knowledge Graph Embeddings},
author = {Caglar Demir and Axel-Cyrille Ngonga Ngomo},
journal= {arXiv preprint arXiv:2008.03130},
year = {2021}
}