MUSE：通过边缘传递多知识，提升知识图谱完成
计算与语言
2024-08-15 v1
摘要
知识图谱完成（KGC）旨在预测知识图谱中缺失的信息（head entity）- [relation] - (tail entity）三元组。深度神经网络在关系预测任务中取得了显著进展。然而，大多数现有KGC方法仅关注单一特征（如实体ID）和子图聚合，无法充分探索知识图谱中的所有特征，忽略了外部语义知识的注入。为此，我们提出MUSE，一种通过多知识表示学习机制，在三个维度上学习针对缺失关系预测的定制嵌入空间的知识感知推理模型。我们的MUSE由三个平行组件组成：1）先验知识学习，通过微调BERT来增强三元组的语义表示；2）上下文消息传递，用于增强知识图谱的上下文消息；3）关系路径聚合，用于增强从头实体到尾实体的路径表示。我们的实验结果显示，MUSE在四个公开数据集上显著优于其他基线方法，例如在NELL995数据集上在H@1上提升超过5.50%，在MRR上提升4.20%。代码和所有数据集将发布于https://github.com/NxxTGT/MUSE。
引用
@article{arxiv.2408.05283,
title = {MUSE: Multi-Knowledge Passing on the Edges, Boosting Knowledge Graph Completion},
author = {Pengjie Liu},
journal= {arXiv preprint arXiv:2408.05283},
year = {2024}
}