基于关联度评估的N元关系数据链接预测
机器学习
2021-04-22 v1 人工智能
计算与语言
摘要
随着知识图谱(KGs)的极度流行，研究者长期关注于通过链接预测补全缺失事实。然而，他们主要关注二元关系数据上的链接预测，其中事实通常表示为（头实体，关系，尾实体）形式的三元组。实践中，N元关系事实也无处不在。面对此类事实，现有研究通常引入大量辅助虚拟实体与额外三元组将其分解为三元组。这些转换导致在N元关系数据上执行链接预测的复杂性，且已证明可能造成结构信息损失。为克服这些问题，本文将对每个N元关系事实表示为其角色与角色-值对的集合。我们随后提出一种称为NaLP的方法以在N元关系数据上执行链接预测，其显式建模了N元关系事实中所有角色与角色-值对的关联度。我们进一步通过引入角色与角色-值的类型约束（无需任何外部类型监督）并提出更合理的负采样机制来扩展NaLP。实验结果验证了所提方法的有效性与优点。
引用
@article{arxiv.2104.10424,
title = {Link Prediction on N-ary Relational Data Based on Relatedness Evaluation},
author = {Saiping Guan and Xiaolong Jin and Jiafeng Guo and Yuanzhuo Wang and Xueqi Cheng},
journal= {arXiv preprint arXiv:2104.10424},
year = {2021}
}
备注
Accepted to TKDE 2021