面向链接预测的层次感知知识图谱嵌入学习
机器学习
2022-04-07 v3 计算与语言
机器学习
摘要
知识图谱嵌入旨在将实体和关系表示为低维向量（或矩阵、张量等），已被证明是预测知识图谱中缺失链接的一种强大技术。现有的知识图谱嵌入模型主要侧重于建模对称/反对称、逆关系和组合等关系模式。然而，许多现有方法未能对语义层次进行建模，而语义层次在现实应用中十分常见。为应对这一挑战，我们提出了一种新颖的知识图谱嵌入模型——即层次感知知识图谱嵌入（Hierarchy-Aware Knowledge Graph Embedding，HAKE）——它将实体映射到极坐标系。HAKE的灵感在于极坐标系中的同心圆能够自然地反映层次结构。具体而言，径向坐标旨在对层次结构中不同层级的实体进行建模，且半径较小的实体预期处于较高层级；角坐标旨在区分处于同一层级的实体，这些实体预期具有大致相同的半径但不同的角度。实验表明，HAKE能够有效建模知识图谱中的语义层次，并在链接预测任务的基准数据集上显著优于现有的最先进方法。
引用
@article{arxiv.1911.09419,
title = {Learning Hierarchy-Aware Knowledge Graph Embeddings for Link Prediction},
author = {Zhanqiu Zhang and Jianyu Cai and Yongdong Zhang and Jie Wang},
journal= {arXiv preprint arXiv:1911.09419},
year = {2022}
}
备注
Accepted to AAAI 2020