基于联合对抗训练的关系路径建模用于知识库补全
人工智能
2020-05-20 v2 计算与语言
摘要
知识库补全（KBC）旨在确定实体对之间缺失的关系，近年来受到越来越多的关注。大多数现有的 KBC 方法要么将知识库（KB）嵌入到特定的语义空间中，要么利用多跳路径上随机游走（RWs）的联合概率。只有少数统一模型充分考虑了语义和路径相关特征。在本文中，我们提出了一种新方法来探索配对实体之间单关系（即 1-跳路径）与多跳路径之间的内在联系。我们使用分层注意力网络（HANs）来选择多跳路径中的重要关系，并将其编码为低维向量。通过将关系和多跳路径视为两种不同的输入源，我们使用一个特征提取器（由两个下游组件（即关系分类器和源判别器）共享）来捕获它们之间的共享/相似信息。通过联合对抗训练，我们鼓励模型从多跳路径中提取对关系补全具有代表性的特征。我们将训练好的模型（源判别器除外）应用于多个大规模 KB 进行关系补全。实验结果表明，我们的方法优于现有的基于路径信息的方法。由于模型的每个子模块都可以很好地解释，我们的模型可应用于大量关系学习任务。
引用
@article{arxiv.1810.06033,
title = {Modeling relation paths for knowledge base completion via joint adversarial training},
author = {Chen Li and Xutan Peng and Shanghang Zhang and Hao Peng and Philip S. Yu and Min He and Linfeng Du and Lihong Wang},
journal= {arXiv preprint arXiv:1810.06033},
year = {2020}
}
备注
Accepted by Knowledge-Based Systems