用于知识图谱补全的图模式实体排序模型
人工智能
2019-04-08 v1 计算与语言
摘要
知识图谱近年来发展迅速，并在许多人工智能任务中展现出效用。然而，知识图谱常存在大量缺失事实。为解决此问题，许多知识图谱嵌入模型被提出以填充知识图谱，并表现出优异性能。但知识图谱嵌入模型所谓黑箱，用户不知图谱信息如何被处理，模型也难以解释。本文利用知识图谱中的图模式克服此类问题。我们提出的模型——图模式实体排序模型（GRank）——为每种图模式构建实体排序系统并用排序度量评估。由此可发现对预测事实有用的图模式。随后我们在标准数据集上执行链接预测任务以评估 GRank 方法。我们表明在标准度量如 HITS@n 和 MRR 上，本方法优于 ComplEx 和 TorusE 等其他最先进方法。此外，因输出事实由图模式描述，模型易于解释。
引用
@article{arxiv.1904.02856,
title = {Graph Pattern Entity Ranking Model for Knowledge Graph Completion},
author = {Takuma Ebisu and Ryutaro Ichise},
journal= {arXiv preprint arXiv:1904.02856},
year = {2019}
}
备注
NAACL 2019