面向链接预测的层次距离与语义表示学习联合嵌入
计算与语言
2023-03-29 v1
摘要
链接预测任务旨在预测知识图谱中缺失的实体或关系，对下游应用至关重要。现有知名模型主要通过将知识图谱三元组表示于距离空间或语义空间来处理该任务。然而，它们无法充分捕获头实体与尾实体的信息，甚至不能很好地利用层次级别信息。因此，本文针对链接预测任务提出一种新颖的知识图谱嵌入模型，称为 HIE，其同时将每个三元组 (h, r, t) 建模到距离度量空间与语义度量空间中。此外，HIE 被引入层次感知空间，以利用实体与关系的丰富层次信息来实现更好的表示学习。具体而言，我们在距离空间中对头实体施加距离变换操作以获得尾实体，而非基于平移或基于旋转的方法。HIE 在四个真实数据集上的实验结果表明，其在链接预测任务上优于若干现有最先进的知识图谱嵌入方法，并能准确处理复杂关系。
引用
@article{arxiv.2303.15655,
title = {Joint embedding in Hierarchical distance and semantic representation learning for link prediction},
author = {Jin Liu and Jianye Chen and Chongfeng Fan and Fengyu Zhou},
journal= {arXiv preprint arXiv:2303.15655},
year = {2023}
}
备注
Submitted to Big Data research one year ago