面向超出知识库实体的知识迁移：一种图神经网络方法
计算与语言
2018-05-09 v2
摘要
知识库补全（KBC）旨在预测知识库中缺失的信息。在本文中，我们解决 KBC 中的超出知识库（OOKB）实体问题：如何回答关于训练时未观察到的测试实体的查询。现有的基于嵌入的 KBC 模型假设所有测试实体在训练时都可用，这使得在不进行昂贵重训练的情况下如何获得新实体的嵌入变得不明确。为了在不重训练的情况下解决 OOKB 实体问题，我们利用测试时提供的有限辅助知识，使用图神经网络（Graph-NNs）来计算 OOKB 实体的嵌入。实验结果表明了我们提出的模型在 OOKB 设定下的有效性。此外，在不涉及 OOKB 实体的标准 KBC 设定中，我们的模型在 WordNet 数据集上取得了最先进的性能。代码与数据集可在 https://github.com/takuo-h/GNN-for-OOKB 获取。
引用
@article{arxiv.1706.05674,
title = {Knowledge Transfer for Out-of-Knowledge-Base Entities: A Graph Neural Network Approach},
author = {Takuo Hamaguchi and Hidekazu Oiwa and Masashi Shimbo and Yuji Matsumoto},
journal= {arXiv preprint arXiv:1706.05674},
year = {2018}
}
备注
This paper has been accepted by IJCAI17