探索知识图谱中少样本链接预测的极限
人工智能
2021-02-09 v1 计算与语言
信息检索
机器学习
社会与信息网络
摘要
真实世界知识图谱常以低频关系为特征——这一挑战已引发对少样本链接预测方法日益增长的兴趣。这些方法在训练时未见的一组新关系上执行链接预测，仅在测试时给定每个关系的少量示例事实。本工作中，我们对通过推广当前少样本链接预测最优方法得到的一系列模型进行系统研究，旨在探查该少样本设定下学习的极限。我们发现，一个忽略任何关系特定信息的简单零样本基线取得了令人惊讶的强劲表现。此外，在精心构造的合成数据集上的实验表明，仅拥有关系的少量示例从根本上限制模型使用细粒度结构信息，而仅允许利用实体的粗粒度位置信息。总之，我们的发现挑战了先前工作的隐含假设与归纳偏置，并凸显了该领域研究的新方向。
引用
@article{arxiv.2102.03419,
title = {Exploring the Limits of Few-Shot Link Prediction in Knowledge Graphs},
author = {Dora Jambor and Komal Teru and Joelle Pineau and William L. Hamilton},
journal= {arXiv preprint arXiv:2102.03419},
year = {2021}
}
备注
code available at https://github.com/dorajam/few-shot-link-prediction-paper