学习利用知识图谱中的长期关系依赖
人工智能
2019-05-14 v1 计算与语言
机器学习
摘要
我们研究知识图谱（KG）嵌入问题。该问题一个被广泛确立的假设是：相似实体可能具有相似的关系角色。然而，现有相关方法主要基于三元组级别的学习来推导 KG 嵌入，缺乏捕捉实体长期关系依赖的能力。此外，三元组级别学习不足以实现语义信息在实体间的传播，尤其在跨知识图谱嵌入的情形下。本文提出循环跳跃网络（RSNs），其采用跳跃机制来弥合实体间的间隔。RSNs 将循环神经网络（RNNs）与残差学习相整合，以高效捕捉知识图谱内部及之间的长期关系依赖。我们设计了一个端到端框架以在不同任务上支持 RSNs。实验结果表明，RSNs 在实体对齐上优于最先进的基于嵌入的方法，并在知识图谱补全上取得了有竞争力的性能。
引用
@article{arxiv.1905.04914,
title = {Learning to Exploit Long-term Relational Dependencies in Knowledge Graphs},
author = {Lingbing Guo and Zequn Sun and Wei Hu},
journal= {arXiv preprint arXiv:1905.04914},
year = {2019}
}
备注
Accepted by the 36th International Conference on Machine Learning (ICML 2019)