面向知识图谱少样本链接预测的元关系学习
计算与语言
2019-09-05 v1 机器学习
摘要
链接预测是补全知识图谱（KGs）的重要手段，而基于嵌入的方法虽对KG中链接预测有效，在仅含少量关联三元组的关系上表现不佳。本文提出一种元关系学习（MetaR）框架，用于解决KG中常见却具挑战性的少样本链接预测问题，即仅通过观察少量关联三元组来预测关于某关系的新三元组。我们通过迁移关系特定的元信息使模型学习最关键的知识并更快学习，分别对应MetaR中的关系元与梯度元，从而解决少样本链接预测。经验上，我们的模型在少样本链接预测的KG基准上取得了SOTA结果。
引用
@article{arxiv.1909.01515,
title = {Meta Relational Learning for Few-Shot Link Prediction in Knowledge Graphs},
author = {Mingyang Chen and Wen Zhang and Wei Zhang and Qiang Chen and Huajun Chen},
journal= {arXiv preprint arXiv:1909.01515},
year = {2019}
}
备注
Accepted by EMNLP 2019