IterefinE：利用符号知识进行迭代式知识图谱精炼嵌入
人工智能
2020-06-09 v1 数据库
机器学习
机器学习
摘要
从文本源抽取的知识图谱(KG)通常含有噪声，导致在基于KG的问答等下游应用任务中性能不佳。虽然近期许多工作聚焦于利用嵌入推断新事实以解决KG稀疏性，但通过KG精炼任务清理KG中噪声的问题并未得到同样积极的研究。大多数成功的KG精炼技术利用推理规则与本体推理。除少数例外，嵌入不使用本体信息，且它们在KG精炼任务中的性能尚不清楚。本文提出一个名为IterefinE的KG精炼框架，迭代地结合两种技术——一种使用本体信息与推理规则的PSL-KGI，以及不使用它们的KG嵌入如ComplEx和ConvE。因此，IterefinE不仅能利用本体信息提升预测质量，还能利用KG嵌入(隐式)执行更长链推理的能力。IterefinE框架以协同训练模式运行，并从PSL-KGI产生精炼KG的显式类型监督嵌入，我们称之为TypeE-X。我们在一系列KG基准上的实验表明，我们所生成的嵌入能够拒绝KG中的噪声事实，同时推断更高质量的新事实，使整体加权F1分数提升高达9%。
引用
@article{arxiv.2006.04509,
title = {IterefinE: Iterative KG Refinement Embeddings using Symbolic Knowledge},
author = {Siddhant Arora and Srikanta Bedathur and Maya Ramanath and Deepak Sharma},
journal= {arXiv preprint arXiv:2006.04509},
year = {2020}
}
备注
16 pages, 7 figures, AKBC 2020 Conference