面向语义匹配知识图谱嵌入的对偶诱导正则化器
计算与语言
2022-04-07 v2 人工智能
摘要
语义匹配模型——其假设具有相似语义的实体具有相似的嵌入——在知识图谱嵌入（KGE）中已展现出强大能力。许多现有语义匹配模型使用嵌入空间中的内积来衡量静态与时序知识图谱中三元组与四元组的合理性。然而，与另一向量具有相同内积的向量彼此仍可能正交，这意味着具有相似语义的实体可能具有不相似的嵌入。内积的这一性质显著限制了语义匹配模型的性能。为应对该挑战，我们提出一种新颖的正则化器——即 DUality-induced RegulArizer（DURA）——其有效促使具有相似语义的实体拥有相似嵌入。DURA 的主要新颖性基于如下观察：对于一个已有的语义匹配 KGE 模型（原模型），通常存在另一个与之紧密相关的基于距离的 KGE 模型（对偶模型），其可作为对实体嵌入的有效约束。实验表明，DURA 在静态与时序知识图谱基准上一致且显著地提升了最先进语义匹配模型的性能。
引用
@article{arxiv.2203.12949,
title = {Duality-Induced Regularizer for Semantic Matching Knowledge Graph Embeddings},
author = {Jie Wang and Zhanqiu Zhang and Zhihao Shi and Jianyu Cai and Shuiwang Ji and Feng Wu},
journal= {arXiv preprint arXiv:2203.12949},
year = {2022}
}
备注
Accepted to TPAMI. This work is a journal extension of our NeurIPS'20 paper arXiv:2011.05816