DSKG：一种用于知识图谱补全的深度序列模型
机器学习
2019-01-01 v2 机器学习
摘要
知识图谱（KG）补全旨在填充 KG 中缺失的事实，其中事实以 形式的三元组表示。当前的 KG 补全模型强制提供三元组的三分之二（例如 和 ）来预测剩余部分。本文提出一种新模型，使用 KG 特定的多层循环神经网络（RNN）将 KG 中的三元组建模为序列。基于两个基准数据集和一个更困难的数据集，在常规实体预测任务上，它在许多评估指标上优于若干最先进的 KG 补全模型。此外，我们的模型得益于序列特性，因此能够在仅给定一个实体的情况下预测整个三元组。我们的实验表明，该模型在这一新三元组预测任务上取得了有前景的性能。
引用
@article{arxiv.1810.12582,
title = {DSKG: A Deep Sequential Model for Knowledge Graph Completion},
author = {Lingbing Guo and Qingheng Zhang and Weiyi Ge and Wei Hu and Yuzhong Qu},
journal= {arXiv preprint arXiv:1810.12582},
year = {2019}
}
备注
CCKS (China Conference on Knowledge Graph and Semantic Computing) Best English Paper Award 2018