解压知识图谱表示用于链接预测
计算与语言
2019-11-20 v2
摘要
本文研究通过学习教育图谱中实体的表示来预测知识图谱中实体间缺失关系的问题。当前，大多数现有链接预测模型采用简单但直观的打分函数与相对较小的嵌入维度，以便应用于大规模知识图谱。然而，这些特性也限制了学习更具表达力与鲁棒特征的能力。因此，不同于多数聚焦于设计新目标函数的先前工作，我们提出 DeCom——一种简单而有效的机制，通过提取更具表达力的特征、仅增加少量额外参数来防止过拟合，从而提升 DistMult、ComplEx 等现有链接预测器的性能。具体而言，实体与关系的嵌入首先由解压函数解压至更具表达力与鲁棒性的空间，然后在该新特征空间中训练知识图谱嵌入模型。在多个基准知识图谱与先进链接预测系统上的实验结果证明了我们方法的泛化性与有效性。特别地，RESCAL + DeCom 在 FB15k-237 基准的所有评估指标上取得了 SOTA 性能。此外，我们还表明，与 DeCom 相比，显式增大嵌入维度会显著增加参数量，却无法获得可观的性能提升。
引用
@article{arxiv.1911.04053,
title = {Decompressing Knowledge Graph Representations for Link Prediction},
author = {Xiang Kong and Xianyang Chen and Eduard Hovy},
journal= {arXiv preprint arXiv:1911.04053},
year = {2019}
}
备注
code has been released