用于知识图谱非离散属性预测的多任务神经网络

许多流行的知识图谱（如 Freebase、YAGO 或 DBPedia）为每个实体维护了一系列非离散属性。直观上，诸如身高、价格或人口数量等属性能够丰富地刻画知识图谱中的实体。这一额外信息源可能有助于缓解知识图谱中普遍存在的固有稀疏性与不完整性问题。然而，由于在本质上为二值属性的知识图谱中处理非离散数据类型具有挑战性，许多最先进的关系学习模型忽略了这一信息。在本文中，我们提出了一种新颖的多任务神经网络方法，用于在关系设定下对非离散属性信息进行编码与预测。具体而言，我们训练一个用于三元组预测的神经网络，以及一个单独用于属性值回归的网络。通过多任务学习，我们能够学习到实体、关系和属性的表示，这些表示编码了两个任务的信息。此外，此类属性不仅作为信息源在许多预测任务中处于核心地位，同时也作为预测目标。因此，能够在关系学习语境下编码、整合并预测此类信息的模型也极具吸引力。我们表明，我们的方法在关系三元组分类与属性值预测任务上优于许多最先进的方法。