利用神经张量网络与语义词向量从知识库中学习新事实
计算与语言
2013-03-19 v2 机器学习
摘要
知识库为应用提供了易于访问的、系统化的关系知识，但在实践中常常因其不完整性以及缺乏对新实体和关系的知识而受限。大量工作致力于通过在大型无标注文本语料库中发现模式来构建或扩展知识库。相比之下，本文的主要目标是基于在给定知识库中可辨识的泛化规律，通过预测实体间额外的真实关系来完善知识库。我们引入了一种神经张量网络 (NTN) 模型，该模型可预测能添加到数据库中的新关系条目。通过用在无监督方式下从文本中学习到的词向量来初始化实体表示，可以改进该模型；在此情况下，甚至可以对数据库中原本不存在的实体查询其已有关系。我们的模型对该问题进行了泛化并优于现有模型，且能以 75.8% 的准确率对 WordNet 中未见过的关系进行分类。
引用
@article{arxiv.1301.3618,
title = {Learning New Facts From Knowledge Bases With Neural Tensor Networks and Semantic Word Vectors},
author = {Danqi Chen and Richard Socher and Christopher D. Manning and Andrew Y. Ng},
journal= {arXiv preprint arXiv:1301.3618},
year = {2013}
}