在知识图谱嵌入中诱导可解释性
计算与语言
2017-12-12 v1
摘要
我们研究了在知识图谱（KG）嵌入中诱导可解释性的问题。具体而言，我们探讨了 Universal Schema（Riedel et al., 2013）并提出了一种诱导可解释性的方法。已有许多针对该问题的向量空间模型被提出，然而这些方法中大多数未解决各个维度的可解释性（语义）问题。在本工作中，我们研究此问题并提出一种利用实体共现统计在 KG 嵌入中诱导可解释性的方法。所提方法显著提升了可解释性，同时在其他 KG 任务中保持了可比的性能。
引用
@article{arxiv.1712.03547,
title = {Inducing Interpretability in Knowledge Graph Embeddings},
author = {Chandrahas and Tathagata Sengupta and Cibi Pragadeesh and Partha Pratim Talukdar},
journal= {arXiv preprint arXiv:1712.03547},
year = {2017}
}