利用简单约束改进知识图谱嵌入
人工智能
2018-06-08 v2 计算与语言
摘要
将知识图谱（KGs）嵌入到连续向量空间是当前研究的焦点。早期工作通过基于 KG 三元组开发的简单模型来完成该任务。近期的尝试侧重于设计更复杂的三元组打分模型，或引入三元组之外的额外信息。相比之下，本文研究使用非常简单的约束来改进 KG 嵌入的潜力。我们考察了实体表示上的非负约束与关系表示上的近似蕴含约束。前者有助于学习紧凑且可解释的实体表示。后者进一步将关系之间逻辑蕴含的规律编码进其分布式表示中。这些约束将先验信念强加于嵌入空间的结构之上，且不会对效率或可扩展性产生负面影响。在 WordNet、Freebase 和 DBpedia 上的评估表明，我们的方法简单却出奇有效，显著且一致地优于有竞争力的基线。所施加的约束确实提升了模型可解释性，使嵌入空间的结构化程度大幅提高。代码与数据见 https://github.com/iieir-km/ComplEx-NNE_AER。
引用
@article{arxiv.1805.02408,
title = {Improving Knowledge Graph Embedding Using Simple Constraints},
author = {Boyang Ding and Quan Wang and Bin Wang and Li Guo},
journal= {arXiv preprint arXiv:1805.02408},
year = {2018}
}
备注
To appear in ACL 2018