基于空洞卷积与残差学习的知识图谱嵌入
人工智能
2020-11-02 v2 计算与语言
机器学习
摘要
知识图谱嵌入是一项重要任务，并将惠及大量下游应用。当前，基于深度神经网络的方法取得了最先进的性能。然而，现有多数方法非常复杂且需要大量时间进行训练与推断。为解决此问题，我们提出一种简单但有效的基于空洞卷积的知识图谱嵌入方法。与现有最先进方法相比，我们的方法具有以下主要特点。第一，它通过使用空洞卷积有效增加特征交互。第二，为解决原始信息遗忘问题与梯度消失/爆炸问题，它使用了残差学习方法。第三，它具有更简单的结构但高得多的参数效率。我们在六个基准数据集上以不同评价指标对方法进行评估。大量实验表明我们的模型非常有效。在这些多样数据集上，它在大多数评价指标上取得了优于所比较最先进方法的结果。我们模型的源代码可在https://github.com/neukg/AcrE找到。
引用
@article{arxiv.2010.12121,
title = {Knowledge Graph Embedding with Atrous Convolution and Residual Learning},
author = {Feiliang Ren and Juchen Li and Huihui Zhang and Shilei Liu and Bochao Li and Ruicheng Ming and Yujia Bai},
journal= {arXiv preprint arXiv:2010.12121},
year = {2020}
}
备注
Accepted by COLING2020