时序知识图谱的单样本学习
机器学习
2020-10-26 v1 人工智能
摘要
大多数现实世界知识图谱具有长尾关系频率分布的特征，其中相当大比例的关系仅出现寥寥数次。这一观察引发了近期对能够从少量样本中泛化的低样本学习方法的关注。然而，现有方法专为静态知识图谱设计，不易推广到时序场景，在数据稀缺问题更为严峻的时序设置中（例如由于新的、先前未见过的关系的出现）。我们通过提出一种用于时序知识图谱中链接预测的单样本学习框架来解决这一不足。我们提出的方法采用自注意力机制来有效编码实体间的时间交互，以及一个网络来计算给定查询与（单样本）示例之间的相似度分数。我们的实验表明，所提出的算法在两个被广泛研究的基准上优于最先进的基线，同时在稀疏关系上取得了显著更好的性能。
引用
@article{arxiv.2010.12144,
title = {One-shot Learning for Temporal Knowledge Graphs},
author = {Mehrnoosh Mirtaheri and Mohammad Rostami and Xiang Ren and Fred Morstatter and Aram Galstyan},
journal= {arXiv preprint arXiv:2010.12144},
year = {2020}
}