NASE：通过神经架构搜索学习知识图谱嵌入用于链接预测
计算与语言
2020-08-19 v1
摘要
链接预测是预测知识图谱（KG）中实体之间缺失连接的任务。尽管针对链接预测任务提出了多种形式的模型，但大多数都是基于几个知名数据集中已知的少量关系模式设计的。由于真实世界知识图谱的多样性和复杂性，设计一个能很好地拟合所有数据集的模型 inherently（本质上）是困难的。为解决这个问题，先前的工作尝试使用自动机器学习（AutoML）为给定数据集搜索最佳模型。然而，它们的搜索空间仅限于双线性模型族。本文中，我们提出了一种用于链接预测任务的新型神经架构搜索（NAS）框架。首先，输入三元组的嵌入由表示搜索模块精炼。然后，预测分数在分数函数搜索模块中被搜索。该框架具有更通用的搜索空间，使我们能够利用多个主流模型族的优势，从而潜在地取得更好性能。我们将搜索空间松弛为连续的，以便可以使用基于梯度的搜索策略高效优化架构。在多个基准数据集上的实验结果证明了我们的方法与几种最先进方法相比的有效性。
引用
@article{arxiv.2008.07723,
title = {NASE: Learning Knowledge Graph Embedding for Link Prediction via Neural Architecture Search},
author = {Xiaoyu Kou and Bingfeng Luo and Huang Hu and Yan Zhang},
journal= {arXiv preprint arXiv:2008.07723},
year = {2020}
}
备注
Accepted by CIKM 2020, short paper