NePTuNe：用于知识图谱补全的神经驱动 Tucker 网络
机器学习
2021-04-19 v1 机器学习
摘要
知识图谱通过关系将实体相连，提供真实世界事实的结构化表示。然而，它们常不完整，因为它们仅基于所有合理事实的一小部分。通过链接预测进行知识图谱补全的任务旨在推断表示为实体间链接的缺失事实。当前的链接预测方法利用张量分解和/或深度学习。分解方法因其参数少而训练和部署迅速，但由于底层线性方法而表达力有限。深度学习方法更具表达力，但也因可训练参数众多而计算昂贵且易过拟合。我们提出神经驱动 Tucker 网络（NePTuNe），一种将深度模型表达力与线性模型的速度和规模相结合的新型混合链接预测模型。我们证明 NePTuNe 在 FB15K-237 数据集上提供最先进性能，在 WN18RR 数据集上接近最先进性能。
引用
@article{arxiv.2104.07824,
title = {NePTuNe: Neural Powered Tucker Network for Knowledge Graph Completion},
author = {Shashank Sonkar and Arzoo Katiyar and Richard G. Baraniuk},
journal= {arXiv preprint arXiv:2104.07824},
year = {2021}
}