DNG：在非高斯空间上探索内在有向结构的分类法扩展方法
人工智能
2023-03-22 v2
摘要
分类法扩展是将大量附加节点（即“查询”）并入现有分类法（即“种子”）的过程，其中最重要的步骤是为每个查询选择适当位置。通过探索种子结构已做出巨大努力。然而，现有方法在结构信息挖掘上存在两方面不足：层次语义建模不佳，以及未能捕捉 is-a 关系的方向性。本文试图通过显式地将每个节点表示为继承特征（即结构部分）与增量特征（即补充部分）的组合来解决这些问题。具体而言，继承特征源自“父”节点，并由继承因子加权。借助该节点表示，分类法中语义的层次性（即特征从“父”到“子”的继承与累积）得以体现。此外，基于该表示，is-a 关系的方向性可轻易转化为特征的不可逆继承。受 Darmois-Skitovich 定理启发，我们通过作用于补充特征上的非高斯约束来实现这种不可逆性。进一步利用对数似然学习目标优化所提模型（称为 DNG），该目标在理论上也确保了所需的非高斯性。在两个真实数据集上的大量实验结果验证了 DNG 相对于若干强基线的优越性。
引用
@article{arxiv.2302.11165,
title = {DNG: Taxonomy Expansion by Exploring the Intrinsic Directed Structure on Non-gaussian Space},
author = {Songlin Zhai and Weiqing Wang and Yuanfang Li and Yuan Meng},
journal= {arXiv preprint arXiv:2302.11165},
year = {2023}
}
备注
7figures