MUSE：集成多知识用于知识图谱补全
计算与语言
2024-09-27 v1
摘要
知识图谱补全（KGC）旨在预测 (head entity)--[relation]->(tail entity) 三元组中 [relation] 部分。目前大多数 KGC 方法仅关注单一特征（如关系类型）或子图聚合，未充分探索知识图谱（KG）特征，亦忽略外部语义知识的指导作用。为此，本文提出一种知识感知推理模型（MUSE），其设计了用于缺失关系预测的新型多知识表征学习机制。该模型通过三个平行组件构建量身定制的嵌入空间：1）先验知识学习通过微调 BERT 提升三元组语义表征；2）上下文消息传递提升 KG 的上下文消息；3）关系路径聚合提升从 head entity 到 tail entity 的路径表征。实验结果表明，MUSE 在四个公开数据集上显著优于其他基线方法，在 NELL995 数据集上 H@1 提升超过 5.50%，MRR 提升 4.20%。代码和数据集将发布于 https://github.com/SUSTech-TP/ADMA2024-MUSE.git。
引用
@article{arxiv.2409.17536,
title = {MUSE: Integrating Multi-Knowledge for Knowledge Graph Completion},
author = {Pengjie Liu},
journal= {arXiv preprint arXiv:2409.17536},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2408.05283