知识图谱嵌入的高效生成
计算与语言
2018-11-12 v2 人工智能
摘要
知识图谱嵌入方法旨在将知识库中的实体和关系表示为连续向量空间中的点或向量。多种基于嵌入的方法在链接预测、实体推荐、问答和三元组分类等任务上展现出了可喜的成果。然而，只有少数方法能够在无需最先进计算资源的情况下，计算极大知识库的低维嵌入。在本文中，我们提出 KG2Vec，一种基于 skip-gram 模型的简单快速的知识图谱嵌入方法。我们不使用预定义的评分函数，而是依靠长短期记忆网络来学习它。我们表明，我们的嵌入在知识图谱补全以及一种新度量标准上，取得了与最具可扩展性的方法相当的结果。此外，KG2Vec 能够在更短的时间内嵌入大型图谱，在普通硬件上不到 7 小时即可处理超过 2.5 亿个三元组。
引用
@article{arxiv.1803.07828,
title = {Expeditious Generation of Knowledge Graph Embeddings},
author = {Tommaso Soru and Stefano Ruberto and Diego Moussallem and André Valdestilhas and Alexander Bigerl and Edgard Marx and Diego Esteves},
journal= {arXiv preprint arXiv:1803.07828},
year = {2018}
}
备注
Submitted to the Archives of Data Science, Series A; 14 pages