KBLRN：基于隐式、关系与数值特征的知识库表示端到端学习
人工智能
2018-06-12 v3
摘要
我们提出 KBLRN，一个利用隐式、关系和数值特征进行知识库表示端到端学习的框架。KBLRN 将特征类型与神经表示学习和专家乘积概率模型的新颖组合相集成。据我们所知，KBLRN 是首个通过集成隐式、关系和数值特征来学习知识库表示的方法。我们展示了 KBLRN 的实例在一系列知识库补全任务上优于现有方法。我们贡献了一个新颖的数据集，通过数值特征丰富了常用的知识库补全基准。该数据集在宽松的 BSD-3 许可证下提供。我们还研究了数值特征对 KBLRN 知识库补全性能的影响。
引用
@article{arxiv.1709.04676,
title = {KBLRN : End-to-End Learning of Knowledge Base Representations with Latent, Relational, and Numerical Features},
author = {Alberto Garcia-Duran and Mathias Niepert},
journal= {arXiv preprint arXiv:1709.04676},
year = {2018}
}
备注
UAI 2018