InteractE：通过增加特征交互改进基于卷积的知识图谱嵌入
机器学习
2020-09-25 v3 机器学习
摘要
大多数现有知识图谱存在不完整性，可基于已知事实推断缺失链接来缓解。一种流行的方法是生成实体和关系的低维嵌入，并利用这些嵌入进行推断。近期提出的ConvE方法对实体和关系嵌入的二维重塑施加卷积滤波器，以捕获其分量间的丰富交互。然而，ConvE能捕获的交互数量有限。本文中，我们分析了增加这些交互数量如何影响链接预测性能，并利用观察结果提出InteractE。InteractE基于三个关键思想——特征置换、一种新颖的特征重塑和循环卷积。通过大量实验，我们发现InteractE在FB15k-237上优于最先进的卷积链接预测基线。此外，InteractE在FB15k-237、WN18RR和YAGO3-10数据集上分别取得比ConvE高9%、7.5%和23%的MRR分数。结果验证了我们的核心假设——增加特征交互有益于链接预测性能。我们公开InteractE的源代码以鼓励可复现研究。
引用
@article{arxiv.1911.00219,
title = {InteractE: Improving Convolution-based Knowledge Graph Embeddings by Increasing Feature Interactions},
author = {Shikhar Vashishth and Soumya Sanyal and Vikram Nitin and Nilesh Agrawal and Partha Talukdar},
journal= {arXiv preprint arXiv:1911.00219},
year = {2020}
}
备注
Accepted at AAAI 2020