DyERNIE：用于时序知识图谱补全的黎曼流形嵌入动态演化
机器学习
2020-12-03 v2 人工智能
计算与语言
摘要
近来，学习时序知识图谱（KG）的表示备受关注，时序知识图谱记录了实体间随时间的动态关系。时序 KG 常表现出多种同时存在的非欧几里得结构，如层次与循环结构。然而，现有的时序 KG 嵌入方法通常在欧几里得空间中学习实体表示及其动态演化，这可能无法很好地捕捉此类内在结构。为此，我们提出 Dy-ERNIE，一种非欧几里得嵌入方法，在黎曼流形之积中学习演化的实体表示，其中各组成空间由底层数据的截面曲率估计得到。积流形使我们的方法能更好地反映时序 KG 上广泛的几何结构。此外，为捕捉时序 KG 的演化动态，我们让实体表示依据各时间戳处切空间定义的速度向量演化。我们详细分析了几何空间对时序 KG 表示学习的贡献，并在时序知识图谱补全任务上评估了模型。在三个真实数据集上的大量实验表明性能显著提升，说明多关系图数据的动态可由黎曼流形上嵌入的演化更恰当地建模。
引用
@article{arxiv.2011.03984,
title = {DyERNIE: Dynamic Evolution of Riemannian Manifold Embeddings for Temporal Knowledge Graph Completion},
author = {Zhen Han and Yunpu Ma and Peng Chen and Volker Tresp},
journal= {arXiv preprint arXiv:2011.03984},
year = {2020}
}
备注
16 pages, accepted as long paper at EMNLP 2020