MultiImport：从多输入信号推断知识图谱中的节点重要性
机器学习
2020-06-23 v1 机器学习
摘要
给定多个输入信号，我们如何推断知识图谱（KG）中的节点重要性？节点重要性估计是一项关键且具挑战性的任务，可使推荐、搜索和查询消歧等诸多应用受益。实现该目标的一个关键挑战是如何有效利用来自不同来源的输入。一方面，知识图谱是一个丰富的信息源，包含多种类型的节点和边。另一方面，存在外部输入信号（例如投票数或页面浏览量），可以直接告诉我们知识图谱中实体的重要性。尽管已有多种方法被开发来解决此问题，但由于它们并非为同时考虑多个信号而设计，对这些外部信号的使用一直受限。在本文中，我们开发了一个端到端模型 MultiImport，它从多个潜在重叠的输入信号中推断潜在节点重要性。MultiImport 是一个潜在变量模型，能够捕捉节点重要性与输入信号之间的关系，并有效地从具有潜在冲突的多个信号中学习。此外，MultiImport 提供了一个基于注意力图神经网络的有效估计器。我们在真实世界的知识图谱上进行了实验，表明 MultiImport 应对了从多个输入信号推断节点重要性所涉及的若干挑战，并持续优于现有方法，其 NDCG@100 比最先进的方法高出达 23.7%。
引用
@article{arxiv.2006.12001,
title = {MultiImport: Inferring Node Importance in a Knowledge Graph from Multiple Input Signals},
author = {Namyong Park and Andrey Kan and Xin Luna Dong and Tong Zhao and Christos Faloutsos},
journal= {arXiv preprint arXiv:2006.12001},
year = {2020}
}
备注
KDD 2020 Research Track. 10 pages