如何将知识图谱嵌入转化为生成模型
机器学习
2024-01-17 v3 人工智能
摘要
一些最成功的用于链接预测的知识图谱嵌入（KGE）模型——CP、RESCAL、TuckER、ComplEx——可被解释为基于能量的模型。在此视角下，它们不适用于精确最大似然估计（MLE）、采样，且难以整合逻辑约束。本工作将这些 KGE 的得分函数重新解释为电路——允许高效边缘化的受限计算图。随后，我们设计两种方案以获得高效生成电路模型：限制其激活函数为非负，或对其输出平方。我们的解释在链接预测上带来极少或无性能损失，而电路框架解锁了通过 MLE 的精确学习、新三元组的高效采样，以及从设计上保证逻辑约束被满足。此外，我们的模型在含数百万实体的图上比原始 KGE 扩展更为平缓。
引用
@article{arxiv.2305.15944,
title = {How to Turn Your Knowledge Graph Embeddings into Generative Models},
author = {Lorenzo Loconte and Nicola Di Mauro and Robert Peharz and Antonio Vergari},
journal= {arXiv preprint arXiv:2305.15944},
year = {2024}
}