HopfE：利用逆 Hopf 纤维化进行知识图谱表示学习
信息检索
2021-08-13 v1 计算与语言
机器学习
摘要
近来，若干知识图谱嵌入(KGE)方法被设计用于将实体与关系表示于稠密向量空间，并用于链接预测等下游任务。少数 KGE 技术关注可解释性，即将关系的连通模式(如对称/非对称、逆与组合)映射到旋转等几何解释。其他方法在更高维空间(如四维空间(4D))中对表示建模，以增强推断连通模式的能力(即可表达性)。然而，在 4D 空间中对关系与实体建模常以牺牲可解释性为代价。本文提出 HopfE，一种旨在实现四维空间下推断关系可解释性的新型 KGE 方法。我们首先在 3D 欧氏空间中对结构嵌入建模，并将关系算子视为 SO(3) 旋转。接着，利用逆 Hopf 纤维化将实体嵌入向量从 3D 空间映射到 4D 超球面，其中嵌入来自 KG 本体论的语义信息。因此，HopfE 在不损失可表达性与可解释性的前提下考虑了实体的结构与语义属性。我们在四个知名基准上的实证结果在 KG 补全任务上取得了 SOTA 性能。
引用
@article{arxiv.2108.05774,
title = {HopfE: Knowledge Graph Representation Learning using Inverse Hopf Fibrations},
author = {Anson Bastos and Kuldeep Singh and Abhishek Nadgeri and Saeedeh Shekarpour and Isaiah Onando Mulang and Johannes Hoffart},
journal= {arXiv preprint arXiv:2108.05774},
year = {2021}
}
备注
CIKM 2021 : 30th ACM International Conference on Information and Knowledge Management (full paper)