基于块项格式的多分区嵌入交互知识图谱补全模型
机器学习
2022-10-04 v2 人工智能
计算与语言
机器学习
摘要
知识图谱补全是一项重要任务，旨在预测实体间缺失的关系链接。知识图谱嵌入方法通过将实体和关系表示为嵌入向量并建模其交互来计算每个三元组的匹配分数来完成该任务。以往工作通常将每个嵌入视为整体并建模这些整体嵌入之间的交互，可能使模型过于昂贵或需要专门设计的交互机制。本文中，我们提出具有块项格式的多分区嵌入交互（MEI）模型来系统性地解决该问题。MEI将每个嵌入划分为多分区向量以有效限制交互。每个局部交互用Tucker张量格式建模，整体交互用块项张量格式建模，使MEI能够控制表达力与计算成本之间的权衡，从数据中自动学习交互机制，并在链接预测任务上取得最先进的性能。此外，我们从理论上研究了参数效率问题，并推导出一个简单的经实证验证的最优参数权衡准则。我们还应用MEI框架为以往模型中若干专门设计的交互机制提供新的广义解释。源代码发布于 https://github.com/tranhungnghiep/MEI-KGE。
引用
@article{arxiv.2006.16365,
title = {Multi-Partition Embedding Interaction with Block Term Format for Knowledge Graph Completion},
author = {Hung Nghiep Tran and Atsuhiro Takasu},
journal= {arXiv preprint arXiv:2006.16365},
year = {2022}
}
备注
Accepted at the European Conference on Artificial Intelligence (ECAI), 2020; add source code; update appendix