KGE-CL：基于张量分解的知识图谱嵌入的对比学习
人工智能
2022-10-25 v2 计算与语言
机器学习
摘要
学习知识图谱（KG）的嵌入在人工智能中至关重要，并可惠及推荐和问答等多种下游应用。近年来，许多研究致力于知识图谱嵌入（KGE）。然而，由于以往大多数KGE方法使用评分函数分别优化每个三元组，它们忽略了不同三元组中相关实体及实体-关系对之间的语义相似性。为解决此问题，我们提出了一种简单而高效的基于张量分解（TDB）的KGE对比学习框架，该框架可缩短不同三元组中相关实体及实体-关系对之间的语义距离，从而提升KGE性能。我们在三个标准KGE数据集WN18RR、FB15k-237和YAGO3-10上评估了所提方法。我们的方法取得了若干新的SOTA结果，在WN18RR数据集上达到51.2% MRR、46.8% Hits@1，在FB15k-237数据集上达到37.8% MRR、28.6% Hits@1，在YAGO3-10数据集上达到59.1% MRR、51.8% Hits@1。
引用
@article{arxiv.2112.04871,
title = {KGE-CL: Contrastive Learning of Tensor Decomposition Based Knowledge Graph Embeddings},
author = {Zhiping Luo and Wentao Xu and Weiqing Liu and Jiang Bian and Jian Yin and Tie-Yan Liu},
journal= {arXiv preprint arXiv:2112.04871},
year = {2022}
}