KGRefiner：通过知识图谱精化提升平移式链接预测方法的准确性
计算与语言
2021-11-22 v2
摘要
链接预测是预测知识图谱中实体间缺失关系的任务。近期链接预测的工作试图通过在神经网络架构中使用更多层来提供提高链接预测准确性的模型。在本文中，我们提出一种精化知识图谱的新方法，使得可以使用相对快速的平移式模型更准确地执行链接预测操作。平移式链接预测模型，如 TransE、TransH、TransD，比深度学习方法的复杂度更低。我们的方法利用知识图谱中关系和实体的层次结构，将实体信息作为辅助节点添加到图中，并将其连接到在其层次结构中包含该信息的节点。我们的实验表明，我们的方法可以显著提升平移式链接预测方法在 H@10、MR、MRR 上的性能。
引用
@article{arxiv.2106.14233,
title = {KGRefiner: Knowledge Graph Refinement for Improving Accuracy of Translational Link Prediction Methods},
author = {Mohammad Javad Saeedizade and Najmeh Torabian and Behrouz Minaei-Bidgoli},
journal= {arXiv preprint arXiv:2106.14233},
year = {2021}
}
备注
8 pages, 1 figure