基于句子变换器的多视角可解释归纳关系预测
计算与语言
2023-05-02 v2 机器学习
摘要
近期关于知识图谱（KGs）的研究表明，由预训练语言模型赋能的基于路径的方法在提供归纳且可解释的关系预测方面表现良好。在本文中，我们引入关系路径覆盖度与关系路径置信度的概念，以在模型训练前过滤掉不可靠路径，从而提升模型性能。此外，我们提出知识推理句子变换器（KRST）来预测知识图谱中的归纳关系。KRST 旨在编码知识图谱中提取的可靠路径，使我们能够对路径进行适当聚类并提供多视角解释。我们在三个真实世界数据集上进行了广泛实验。实验结果表明，与 SOTA 模型相比，KRST 在大多数转导与归纳测试用例（6 个中的 4 个）以及 12 个少样本测试用例中的 11 个上取得了最佳性能。
引用
@article{arxiv.2301.01664,
title = {Multi-Aspect Explainable Inductive Relation Prediction by Sentence Transformer},
author = {Zhixiang Su and Di Wang and Chunyan Miao and Lizhen Cui},
journal= {arXiv preprint arXiv:2301.01664},
year = {2023}
}