基于对抗学习框架的知识图谱结构化嵌入学习
计算与语言
2020-04-17 v1
摘要
许多大规模知识图谱现已可用，并能够提供语义结构化信息，这被视为问答与决策支持任务的重要资源。然而，它们建立在僵化的符号框架之上，难以在其他智能系统中使用。我们提出一种采用生成对抗架构的学习方法，旨在将知识图谱中的实体与关系嵌入到连续向量空间中。生成网络（GN）以（主语、谓语、宾语）三元组中的两个元素作为输入，并生成缺失元素的向量表示。判别网络（DN）对三元组打分，以区分正三元组与由 GN 生成的三元组。GN 的训练目标是欺骗 DN 使其做出错误分类。当达到收敛时，GN 能恢复训练数据并可用于知识图谱补全，而 DN 被训练为一个优良的三元组分类器。与少数基于生成对抗架构的已有研究不同，我们的 GN 能够生成未见过的实例，而它们仅利用 GN 为 DN 更好地选择（已存在的）负样本。实验表明，在链接预测与三元组分类任务上，我们的方法均能大幅改进经典关系学习模型（如 TransE）。
引用
@article{arxiv.2004.07265,
title = {Learning Structured Embeddings of Knowledge Graphs with Adversarial Learning Framework},
author = {Jiehang Zeng and Lu Liu and Xiaoqing Zheng},
journal= {arXiv preprint arXiv:2004.07265},
year = {2020}
}
备注
7 pages, 1 figures