在知识表示学习中引入 GAN 进行负采样
人工智能
2018-10-01 v1 机器学习
摘要
知识表示学习旨在通过将对实体和关系编码到低维空间来建模知识图。大多数传统的知识嵌入工作都需要负采样以最小化基于间隔的排序损失。然而，这些工作通过随机模式构造负样本，由此得到的样本往往过于平凡，无法高效地拟合模型。在本文中，我们提出一种基于生成对抗网络（GAN）的新颖知识表示学习框架。在该基于 GAN 的框架中，我们利用生成器获得高质量的负样本。同时，GAN 中的判别器学习知识图中实体与关系的嵌入。因此，我们可以将所提基于 GAN 的框架引入各种传统模型，以提升知识表示学习的能力。实验结果表明，我们提出的基于 GAN 的框架在三重分类和链接预测任务上优于基线方法。
引用
@article{arxiv.1809.11017,
title = {Incorporating GAN for Negative Sampling in Knowledge Representation Learning},
author = {Peifeng Wang and Shuangyin Li and Rong pan},
journal= {arXiv preprint arXiv:1809.11017},
year = {2018}
}
备注
Accepted to AAAI 2018