超关系知识图的表示学习
机器学习
2022-08-31 v1 人工智能
摘要
知识图（KGs）因能够学习单关系事实的表示而日益受到重视。近来，研究聚焦于对超关系事实建模，其突破了单关系事实的限制，使我们能够表示更复杂且贴近真实世界的信息。然而，现有面向超关系知识图表示学习的方法主要致力于增强限定符到基础三元组的信息传递，却忽视了从基础三元组到限定符的信息流动。这可能导致次优的限定符表示，尤其在存在大量限定符时。这促使我们设计一个利用多个聚合器学习超关系事实表示的框架：一个从基础三元组视角，另一个从限定符视角。实验证明了我们的框架在多个数据集上用于超关系知识图补全的有效性。此外，我们进行了消融研究，验证了框架中各个组件的重要性。复现我们结果的代码见 \url{https://github.com/HarryShomer/QUAD}。
引用
@article{arxiv.2208.14322,
title = {Learning Representations for Hyper-Relational Knowledge Graphs},
author = {Harry Shomer and Wei Jin and Juanhui Li and Yao Ma and Jiliang Tang},
journal= {arXiv preprint arXiv:2208.14322},
year = {2022}
}