OKGIT：基于隐式类型的开放知识图谱链接预测
计算与语言
2021-06-25 v1
摘要
开放知识图谱(OpenKG)指使用 OpenIE 工具从语料库中抽取的一组(头名词短语, 关系短语, 尾名词短语)三元组，如 (tesla, return to, new york)。尽管 OpenKG 易于针对某一领域快速构建，但其非常稀疏，远不能直接用于端任务。因此，预测新事实即链接预测任务，在将这些图谱用于文本理解、问答和网页搜索查询推荐等下游任务时成为重要步骤。为 OpenKG 学习嵌入是近来受到一定关注的链接预测方法。然而，经仔细考察，我们发现当前的 OpenKG 链接预测算法常为目标名词和关系短语预测出类型不兼容的名词短语(NP)。我们在本工作中解决该问题，提出 OKGIT，利用新颖的类型兼容性分数与类型正则化改进 OpenKG 链接预测。通过在多个数据集上的大量实验，我们表明所提方法在链接预测任务中取得了最先进(state-of-the-art)性能，同时生成类型兼容的 NP。
引用
@article{arxiv.2106.12806,
title = {OKGIT: Open Knowledge Graph Link Prediction with Implicit Types},
author = {Chandrahas and Partha Pratim Talukdar},
journal= {arXiv preprint arXiv:2106.12806},
year = {2021}
}
备注
Findings of the ACL: ACL-IJCNLP 2021