低维双曲知识图谱嵌入
机器学习
2020-05-05 v1 人工智能
计算与语言
机器学习
摘要
知识图谱（KG）嵌入学习实体和关系的低维表示以预测缺失事实。KG 常表现出必须在嵌入空间中得以保留的层次化和逻辑模式。对于层次化数据，双曲嵌入方法已显示出高保真度和简洁表示的潜力。然而，现有的双曲嵌入方法未考虑 KG 中丰富的逻辑模式。在这项工作中，我们引入一类同时捕捉层次化和逻辑模式的双曲 KG 嵌入模型。我们的方法结合双曲反射与旋转以及注意力来建模复杂关系模式。在标准 KG 基准上的实验结果表明，在低维下我们的方法在平均倒数排名（MRR）上比先前的基于欧几里得和双曲的方法提升多达 6.1%。此外，我们观察到不同的几何变换捕捉不同类型的关系，而基于注意力的变换可泛化到多种关系。在高维下，我们的方法在 WN18RR 上取得了 49.6% 的新最优 MRR，在 YAGO3-10 上取得了 57.7% 的新最优 MRR。
引用
@article{arxiv.2005.00545,
title = {Low-Dimensional Hyperbolic Knowledge Graph Embeddings},
author = {Ines Chami and Adva Wolf and Da-Cheng Juan and Frederic Sala and Sujith Ravi and Christopher Ré},
journal= {arXiv preprint arXiv:2005.00545},
year = {2020}
}