基于图上下文建模的正交关系变换用于知识图谱嵌入
计算与语言
2020-04-17 v3 人工智能
机器学习
摘要
基于平移距离的知识图谱嵌入在链接预测任务上展现了从 TransE 到最新最优的 RotatE 的渐进改进。然而，N-1、1-N 和 N-N 预测仍具挑战性。本工作中，我们提出一种新颖的基于平移距离的方法用于知识图谱链接预测。所提方法包含两方面：首先，我们将 RotatE 从 2D 复数域扩展到高维空间，利用正交变换对关系建模以获得更好的建模能力；其次，通过两种有向上下文表示显式建模图上下文。这些上下文表示用作距离打分函数的一部分，以在训练和推理时衡量三元组的可信度。所提方法有效提升了知识图谱链接预测任务中困难的 N-1、1-N 和 N-N 情形的预测准确率。实验结果表明，与基线 RotatE 相比，它在两个基准数据集上取得了更好的性能，尤其在具有许多高入度连接节点的数据集（FB15k-237）上。
引用
@article{arxiv.1911.04910,
title = {Orthogonal Relation Transforms with Graph Context Modeling for Knowledge Graph Embedding},
author = {Yun Tang and Jing Huang and Guangtao Wang and Xiaodong He and Bowen Zhou},
journal= {arXiv preprint arXiv:1911.04910},
year = {2020}
}
备注
Accepted by ACL 2020