KBGAN:面向知识图谱嵌入的对抗学习
计算与语言
2018-04-17 v3 人工智能
摘要
我们提出 KBGAN,一种对抗学习框架,用于提升多种现有知识图谱嵌入模型的性能。由于知识图谱通常仅包含正事实,采样有用的负训练样本是一项非平凡的任务。将事实的头实体或尾实体替换为均匀随机选取的实体是生成负事实的常规方法,但所生成的负事实大多易于与正事实区分,对训练贡献甚微。受生成对抗网络(GANs)启发,我们使用一个知识图谱嵌入模型作为负样本生成器,以辅助训练我们所需的模型,该模型在 GANs 中充当判别器。该框架独立于生成器和判别器的具体形式,因此可利用多种知识图谱嵌入模型作为其构建模块。在实验中,我们对抗式地训练了两个基于平移的模型 TransE 和 TransD,各自借助两个基于概率的模型 DistMult 和 ComplEx 之一。我们在链接预测任务上评估 KBGAN 的性能,使用了三个知识库补全数据集:FB15k-237、WN18 和 WN18RR。实验结果表明,对抗训练在各种设置下显著提升了目标嵌入模型的性能。
引用
@article{arxiv.1711.04071,
title = {KBGAN: Adversarial Learning for Knowledge Graph Embeddings},
author = {Liwei Cai and William Yang Wang},
journal= {arXiv preprint arXiv:1711.04071},
year = {2018}
}
备注
To appear at NAACL HLT 2018