用于知识库补全的端到端结构感知卷积网络
人工智能
2018-11-16 v2 计算与语言
摘要
知识图谱嵌入一直是知识库补全的活跃研究课题，从最初的TransE、TransH、DistMult等到当前最先进的ConvE取得了渐进式改进。ConvE利用嵌入上的二维卷积和多层非线性特征来建模知识图谱。该模型可高效训练并可扩展至大规模知识图谱。然而，ConvE的嵌入空间中并无结构约束。近期的图卷积网络（GCN）通过成功利用图连接结构提供了另一种学习图节点嵌入的方式。在本工作中，我们提出一种新颖的端到端结构感知卷积网络（SACN），它同时汲取GCN和ConvE的优势。SACN由加权图卷积网络（WGCN）的编码器和称为Conv-TransE的卷积网络解码器组成。WGCN利用知识图谱节点结构、节点属性和边关系类型。它具有可学习的权重，可调整局部聚合中来自邻居的信息量，从而得到更精确的图节点嵌入。图中的节点属性在WGCN中表示为附加节点。解码器Conv-TransE使最先进的ConvE在实体与关系之间具有平移性，同时保持与ConvE相同的链接预测性能。我们在标准FB15k-237和WN18RR数据集上展示了所提SACN的有效性，其在HITS@1、HITS@3和HITS@10方面相比最先进的ConvE给出了约10%的相对提升。
引用
@article{arxiv.1811.04441,
title = {End-to-end Structure-Aware Convolutional Networks for Knowledge Base Completion},
author = {Chao Shang and Yun Tang and Jing Huang and Jinbo Bi and Xiaodong He and Bowen Zhou},
journal= {arXiv preprint arXiv:1811.04441},
year = {2018}
}
备注
The Thirty-Third AAAI Conference on Artificial Intelligence (AAAI 2019)