DynaSemble：基于文本与结构模型动态集成的知识图谱补全方法
计算与语言
2024-07-03 v2 人工智能
机器学习
摘要
我们考虑两种流行的知识图谱补全（KGC）方法：依赖文本实体描述的文本模型，以及利用知识图谱（KG）连通结构的基于结构的模型。初步实验表明，这些方法具有互补优势：基于结构的模型在黄金答案可从查询头实体在 KG 中轻易到达时表现极佳，而文本模型利用描述即使黄金答案不易到达也能给出良好性能。为此，我们提出 DynaSemble，一种通过学习查询依赖的集成权重、利用集成中各个模型对所有候选实体所给分数的分布来组合这些方法的新方法。DynaSemble 在三个标准 KGC 数据集上取得了最先进的结果，在 WN18RR 数据集上相较最佳基线模型最高带来 6.8 个点的 MRR 和 8.3 个点的 Hits@1 提升。
引用
@article{arxiv.2311.03780,
title = {DynaSemble: Dynamic Ensembling of Textual and Structure-Based Models for Knowledge Graph Completion},
author = {Ananjan Nandi and Navdeep Kaur and Parag Singla and Mausam},
journal= {arXiv preprint arXiv:2311.03780},
year = {2024}
}
备注
12 pages, 2 figures, 15 tables Accepted to ACL 2024