面向知识库推理的矩阵-张量联合分解
人工智能
2017-06-05 v1
摘要
尽管已有多种矩阵分解（MF）和张量分解（TF）模型被提出用于知识库（KB）推理，但它们很少在不同数据集上进行横向比较。是否存在一个在所有数据集上都表现良好的单一模型？若否，数据集的哪些特征决定了MF和TF模型的性能？是否存在一个在所有数据集上都表现鲁棒的TF+MF联合模型？我们进行了广泛的评估，以比较文献中流行的KB推理模型在常用数据集上的表现。除回答上述问题外，我们还消除了MF模型标准评估协议中的一个局限性，提出了MF模型的一个扩展以使其能更好地处理词汇外（OOV）实体对，并开发了一种TF与MF模型的新型组合。我们还基于模型和数据集特征对结果进行了分析和解释。我们的最佳模型具有鲁棒性，并在所有数据集上均取得了优异的结果。
引用
@article{arxiv.1706.00637,
title = {Joint Matrix-Tensor Factorization for Knowledge Base Inference},
author = {Prachi Jain and Shikhar Murty and Mausam and Soumen Chakrabarti},
journal= {arXiv preprint arXiv:1706.00637},
year = {2017}
}