FFHR：面向知识图谱补全的全称且灵活的双曲表示
机器学习
2023-02-09 v1 信息检索
摘要
为知识图谱（KG）学习双曲嵌入因其在捕捉层次结构上的优势而受到越来越多的关注。然而，双曲空间中的一些重要运算仍缺乏良好定义，致使现有方法无法充分利用双曲空间的优势。具体而言，它们存在两个主要局限：1）双曲空间中的现有图卷积网络（GCN）方法依赖切空间近似，这会在表示学习中引入近似误差；2）由于双曲空间缺乏内积运算定义，现有方法仅能以双曲距离衡量事实（链接）的合理性，难以捕捉复杂数据模式。本工作中，我们的贡献为：1）一种全 Poincaré 多关系 GCN，可在双曲空间中实现图信息传播而无需任何近似；2）欧氏内积的双曲推广，有助于同时捕捉层次与复杂模式。在此基础上，我们进一步提出了一种全称且灵活的双曲表示框架（FFHR），能够将近期基于欧氏空间的进展迁移至双曲空间。我们通过以四种代表性 KGC 方法实例化 FFHR 来证明其有效性。在基准数据集上的大量实验验证了我们的 FFHR 相对于其欧氏对应方法以及最先进的双曲嵌入方法的优越性。
引用
@article{arxiv.2302.04088,
title = {FFHR: Fully and Flexible Hyperbolic Representation for Knowledge Graph Completion},
author = {Wentao Shi and Junkang Wu and Xuezhi Cao and Jiawei Chen and Wenqiang Lei and Wei Wu and Xiangnan He},
journal= {arXiv preprint arXiv:2302.04088},
year = {2023}
}
备注
submit to TKDE