在平移假设下通过最优估计归纳表示知识图谱外实体
计算与语言
2020-09-29 v1 信息检索
机器学习
摘要
传统的知识图谱补全（KGC）假设所有测试实体在训练期间均出现。然而，在真实场景中，知识图谱（KG）演化迅速，知识图谱外（OOKG）实体频繁加入，我们需要高效地表示这些实体。大多数现有的知识图谱嵌入（KGE）方法在不对整个 KG 进行代价高昂的重新训练的情况下无法表示 OOKG 实体。为提升效率，我们提出一种简单有效的方法，通过在平移假设下对 OOKG 实体的最优估计来归纳地表示它们。给定知识图谱内（IKG）实体的预训练嵌入，我们的方法无需额外学习。实验结果表明，在两个含 OOKG 实体的 KGC 任务上，我们的方法以更高效率优于最先进的方法。
引用
@article{arxiv.2009.12765,
title = {Inductively Representing Out-of-Knowledge-Graph Entities by Optimal Estimation Under Translational Assumptions},
author = {Damai Dai and Hua Zheng and Fuli Luo and Pengcheng Yang and Baobao Chang and Zhifang Sui},
journal= {arXiv preprint arXiv:2009.12765},
year = {2020}
}