面向低维链接预测的双曲线层次知识图谱嵌入
机器学习
2024-02-26 v2 人工智能
摘要
知识图谱嵌入（KGE）已被证实为推断知识图谱（KG）中缺失链接的有力方法，它们通常将实体映射到欧氏空间并将关系视为实体的变换。近来，一些欧氏KGE方法被增强以建模知识图谱中常见的语义层次结构，提升了链接预测性能。为了嵌入层次数据，双曲空间已成为传统欧氏空间的一种有前景的替代方案，具有高精度和低内存消耗的优点。与欧氏空间不同，双曲空间提供了无数可供选择的曲率。然而，现有双曲KGE方法难以手动获得最优曲率设置，从而限制了其有效建模语义层次结构的能力。为解决此局限，我们提出了一种称为\textbf{双}曲\textbf{层}次\textbf{KGE}（HypHKGE）的新型KGE模型。该模型引入了基于注意力的可学习曲率用于双曲空间，有助于保留丰富的语义层次结构。此外，为利用保留的层次结构推断缺失链接，我们基于双曲几何理论定义了双曲层次变换，包括层间与层内建模。实验在三个基准数据集（WN18RR、FB15K-237和YAGO3-10）上证明了所提HypHKGE模型的有效性。源代码将于 https://github.com/wjzheng96/HypHKGE 公开。
引用
@article{arxiv.2204.13704,
title = {Hyperbolic Hierarchical Knowledge Graph Embeddings for Link Prediction in Low Dimensions},
author = {Wenjie Zheng and Wenxue Wang and Shu Zhao and Fulan Qian},
journal= {arXiv preprint arXiv:2204.13704},
year = {2024}
}