面向 N 元关系知识库的张量分解泛化
计算与语言
2020-07-09 v1
摘要
随着知识库(KBs)的快速发展，补全缺失事实的链接预测任务在尤其是二元关系 KBs（又称知识图谱）中已借助强大的张量分解相关方法被广泛研究。然而，具有更高元关系事实的普遍存在的 n 元关系 KBs 受到的关注较少，其中现有的基于平移和基于神经网络的方法在建模各种关系时表达能力弱且复杂度高。张量分解尚未被考虑用于 n 元关系 KBs，而将二元关系 KBs 的张量分解相关方法直接推广到 n 元情形由于模型复杂度呈指数增长及其对二元关系的强假设而不能得到满意结果。为将张量分解泛化到 n 元关系 KBs，本文提出 GETD，一种基于 Tucker 分解与张量环分解的泛化模型。现有负采样技术也被推广到 n 元情形以用于 GETD。此外，我们从理论上证明 GETD 具有完全表达能力，可完整表示任意 KBs。在两个代表性 n 元关系 KB 数据集上的大量评估展示了 GETD 的优越性能，以超过 15% 的幅度显著改进了最先进(SOTA)方法。而且，GETD 在基准二元关系 KB 数据集上进一步取得了最先进结果。
引用
@article{arxiv.2007.03988,
title = {Generalizing Tensor Decomposition for N-ary Relational Knowledge Bases},
author = {Yu Liu and Quanming Yao and Yong Li},
journal= {arXiv preprint arXiv:2007.03988},
year = {2020}
}
备注
WWW 2020