开放世界知识图谱中实体的分布式表示
机器学习
2024-04-05 v2 人工智能
计算与语言
摘要
基于图神经网络（GNN）的方法已在多种知识图谱（KG）任务中展现出卓越性能。然而，大多数现有方法依赖于训练期间观测到所有实体，这在频繁涌现新实体的真实世界知识图谱中构成了挑战。为应对此局限，我们提出去中心化注意力网络（DAN）。DAN 利用邻居上下文作为查询向量来对实体的邻居打分，从而仅将实体语义分布至其邻居嵌入之中。为有效训练 DAN，我们引入自蒸馏技术，以引导网络生成所需表示。理论分析验证了方法的有效性。我们实现了端到端框架并开展大量实验评估该方法，在传统实体对齐与实体预测任务上展现出具竞争力的性能。此外，我们的方法在开放世界设定下显著优于现有方法。
引用
@article{arxiv.2010.08114,
title = {Distributed Representations of Entities in Open-World Knowledge Graphs},
author = {Lingbing Guo and Zhuo Chen and Jiaoyan Chen and Yichi Zhang and Zequn Sun and Zhongpo Bo and Yin Fang and Xiaoze Liu and Huajun Chen and Wen Zhang},
journal= {arXiv preprint arXiv:2010.08114},
year = {2024}
}
备注
Knowledge-Based Systems 2024