少样本知识图谱补全
计算与语言
2019-11-27 v1 人工智能
机器学习
摘要
知识图谱（KGs）作为各种自然语言处理应用的有用资源。以往的 KG 补全方法要求每个关系都有大量训练实例（即头-尾实体对）。实际情况是，对于大多数关系，可用的实体对极少。现有的一次性学习工作限制了方法在少样本场景下的泛化能力，且未充分利用监督信息；然而，少样本 KG 补全尚未得到充分研究。本工作中，我们提出一种新颖的少样本关系学习模型（FSRL），旨在以少样本参考发现新关系的事实。FSRL 能有效从异构图结构捕获知识，聚合少样本参考的表示，并为每个关系匹配参考集的相似实体对。在两个公开数据集上的大量实验表明 FSRL 优于当前最优方法（SOTA）。
引用
@article{arxiv.1911.11298,
title = {Few-Shot Knowledge Graph Completion},
author = {Chuxu Zhang and Huaxiu Yao and Chao Huang and Meng Jiang and Zhenhui Li and Nitesh V. Chawla},
journal= {arXiv preprint arXiv:1911.11298},
year = {2019}
}