基于正交Procrustes分析的高效知识图谱嵌入学习
机器学习
2022-01-25 v2 人工智能
计算与语言
机器学习
摘要
知识图谱嵌入（KGEs）因在广泛应用中的前景而近年来被深入探索。然而，现有研究聚焦于提升最终模型性能，却忽视了所提方法在 execution time（执行时间）和环境影响方面的计算成本。本文提出一个简洁而有效的KGE框架，与最先进方法相比，可将训练时间与碳足迹降低数个数量级，同时取得有竞争力的性能。我们强调三项技术创新：通过关系矩阵的全批量学习、用于KGE的闭式正交Procrustes分析，以及非负采样训练。此外，作为首个实体嵌入同时存储完整关系信息的KGE方法，我们的训练模型编码了丰富语义且高度可解释。涉及13个强基线及两个标准数据集的综合实验与消融研究验证了算法的有效性与高效性。
引用
@article{arxiv.2104.04676,
title = {Highly Efficient Knowledge Graph Embedding Learning with Orthogonal Procrustes Analysis},
author = {Xutan Peng and Guanyi Chen and Chenghua Lin and Mark Stevenson},
journal= {arXiv preprint arXiv:2104.04676},
year = {2022}
}
备注
To appear at NAACL 2021