HYPER^2：面向超关系链接预测的双曲 Poincaré 嵌入
计算与语言
2021-04-21 v1
摘要
链接预测旨在解决用缺失事实补全知识图谱（KG）的问题，已得到广泛研究。然而，对于普遍存在的超关系知识图谱却较少关注。多数现有超关系 KG 嵌入模型仍将 n 元事实拆解为更小的元组，忽视了某些 n 元事实的不可分解性。而其他框架仅适用于特定元数事实或忽略了主三元组的重要性。在本文中，我们将 n 元事实作为一个整体表示，同时保留 n 元事实的完整性并维持主三元组的关键作用。此外，我们将双曲 Poincaré 嵌入从二元推广到任意元数数据，此前尚未有研究。为解决表达能力弱与复杂度高的问题，我们提出 HYPER^2，其通过在切空间上的信息聚合，能够捕捉三元组内及三元组外实体间的交互。大量实验表明，HYPER^2 优于其平移类与深度类对应模型，以相对较少的维度将 SOTA 提升高达 34.5%。此外，我们研究了字面量的副作用，并从理论与实验上比较了 HYPER^2 与若干最佳基线的计算复杂度，HYPER^2 比同类模型快 49-61 倍。
引用
@article{arxiv.2104.09871,
title = {HYPER^2: Hyperbolic Poincare Embedding for Hyper-Relational Link Prediction},
author = {Shiyao Yan and Zequn Zhang and Xian Sun and Guangluan Xu and Li Jin and Shuchao Li},
journal= {arXiv preprint arXiv:2104.09871},
year = {2021}
}