面向知识图的生成对抗零样本关系学习
计算与语言
2020-01-09 v1
摘要
大规模知识图（KGs）被证明在当代信息系统中愈发重要。为扩展知识图的覆盖率，先前关于知识图补全的研究需要为新添加的关系收集充足的训练实例。在本文中，我们考虑一种新颖的设定——零样本学习，以摆脱这种繁琐的整理工作。对于新添加的关系，我们试图从其文本描述中学习其语义特征，从而在未见到任何样例的情况下识别未见关系的实事。为此，我们利用生成对抗网络（GANs）建立文本与知识图领域间的联系：生成器仅凭借含噪文本描述学习生成合理的关系嵌入。在此设定下，零样本学习自然转化为传统的监督分类任务。经验上，我们的方法是模型无关的，可潜在应用于任意版本的KG嵌入，并在NELL和Wiki数据集上持续带来性能提升。
引用
@article{arxiv.2001.02332,
title = {Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs},
author = {Pengda Qin and Xin Wang and Wenhu Chen and Chunyun Zhang and Weiran Xu and William Yang Wang},
journal= {arXiv preprint arXiv:2001.02332},
year = {2020}
}