面向归纳式知识图谱嵌入的元知识迁移
机器学习
2022-05-09 v3 人工智能
计算与语言
摘要
由大量三元组构成的知识图谱（KGs）近来已十分普及，许多知识图谱嵌入（KGE）方法被提出以将 KG 的实体与关系嵌入连续向量空间。此类嵌入方法简化了执行各种 KG 内任务（如链接预测）与 KG 外任务（如问答）的操作。它们可视为表示 KG 的通用解。然而，现有 KGE 方法不适用于归纳式设定，即源 KG 上训练的模型将在训练期间未见的实体所构成的目标 KG 上测试。聚焦归纳式设定下 KG 的现有工作仅能解决归纳式关系预测任务。它们无法像 KGE 方法那样通用地处理其他 KG 外任务，因为它们不为实体生成嵌入。本文为实现归纳式知识图谱嵌入，提出模型 MorsE，其不为实体学习嵌入，而是学习可迁移的元知识，用于生成实体嵌入。此类元知识由实体无关模块建模，并通过元学习习得。实验结果表明，我们的模型在归纳式设定下的 KG 内与 KG 外任务上显著优于相应基线。
引用
@article{arxiv.2110.14170,
title = {Meta-Knowledge Transfer for Inductive Knowledge Graph Embedding},
author = {Mingyang Chen and Wen Zhang and Yushan Zhu and Hongting Zhou and Zonggang Yuan and Changliang Xu and Huajun Chen},
journal= {arXiv preprint arXiv:2110.14170},
year = {2022}
}
备注
SIGIR 2022