面向稀疏知识图谱多跳推理的动态预判与补全
计算与语言
2020-10-06 v1
摘要
近年来，多跳推理被广泛研究，以寻求一种有效且可解释的知识图谱（KG）补全方法。大多数先前的推理方法针对实体间具有充足路径的稠密 KG 设计，但在那些仅含稀疏推理路径的稀疏 KG 上表现不佳。一方面，稀疏 KG 包含的信息较少，使模型难以选择正确的路径。另一方面，通往目标实体的证据路径的缺失也使得推理过程困难。为解决这些问题，我们提出了一种名为 DacKGR 的稀疏 KG 多跳推理模型，通过应用新颖的动态预判与补全策略：（1）预判策略利用基于嵌入模型的潜在预测，使我们的模型在稀疏 KG 上执行更具潜力的路径搜索。（2）基于预判信息，补全策略在路径搜索过程中动态添加边作为额外动作，进一步缓解 KG 的稀疏性问题。在从 Freebase、NELL 和 Wikidata 采样的五个数据集上的实验结果表明，我们的方法优于 SOTA 基线。我们的代码与数据集可从 https://github.com/THU-KEG/DacKGR 获取。
引用
@article{arxiv.2010.01899,
title = {Dynamic Anticipation and Completion for Multi-Hop Reasoning over Sparse Knowledge Graph},
author = {Xin Lv and Xu Han and Lei Hou and Juanzi Li and Zhiyuan Liu and Wei Zhang and Yichi Zhang and Hao Kong and Suhui Wu},
journal= {arXiv preprint arXiv:2010.01899},
year = {2020}
}