在神经链接预测器中嵌入基数约束
人工智能
2018-12-18 v1 机器学习
摘要
神经链接预测器学习知识图谱中实体和关系的分布式表示。它们在链接预测和知识库补全任务中异常强大，主要由于学到的表示捕获了数据中重要的统计依赖关系。该领域近期工作聚焦于设计新的评分函数或将额外信息纳入学习过程以改进表示。然而这些表示大多从实体间观测到的链接学习，忽略了与图中关系相关的常识或模式知识。关系数据拓扑的一个基本方面是基数信息，其限定了给定关系在最小和最大频率之间所作预测的数量。本文中，我们提出一种新的正则化方法，将关系基数约束整合到任何现有神经链接预测器中而不影响其效率或可扩展性。我们的正则化项旨在对高概率预测的数量施加边界，从而结构化嵌入空间以尊重常识基数假设，产生更好的表示。在 Freebase、WordNet 和 YAGO 上的实验结果表明，给定合适先验知识，所提方法对下游链接预测任务的预测准确性有正向影响。
引用
@article{arxiv.1812.06455,
title = {Embedding Cardinality Constraints in Neural Link Predictors},
author = {Emir Muñoz and Pasquale Minervini and Matthias Nickles},
journal= {arXiv preprint arXiv:1812.06455},
year = {2018}
}
备注
8 pages, accepted at the 34th ACM/SIGAPP Symposium on Applied Computing (SAC '19)