基于逻辑注意力的邻域聚合用于归纳式知识图谱嵌入
人工智能
2020-10-06 v2 计算与语言
摘要
知识图谱嵌入旨在用低维向量对实体与关系建模。以往大多数方法要求所有实体在训练时均可见，这对于每日涌现新实体的真实世界知识图谱而言不切实际。近期针对此问题的努力提出将邻域聚合器与传统实体与关系嵌入联合训练，从而可通过已有邻居归纳式地嵌入新实体。然而，它们的邻域聚合器忽视了实体邻居的无序性与非均等性。为此，我们总结了可能导致有效邻域聚合器的期望性质。我们还引入了一种新颖聚合器，即逻辑注意力网络（LAN），它通过基于规则与基于网络的注意力权重聚合邻居来满足这些性质。通过在两个知识图谱补全任务上与常规聚合器比较，我们从实验上验证了 LAN 在期望性质方面的优越性。
引用
@article{arxiv.1811.01399,
title = {Logic Attention Based Neighborhood Aggregation for Inductive Knowledge Graph Embedding},
author = {Peifeng Wang and Jialong Han and Chenliang Li and Rong Pan},
journal= {arXiv preprint arXiv:1811.01399},
year = {2020}
}
备注
Accepted by AAAI 2019