考虑类型层次的注意力路径排序
人工智能
2019-11-27 v3 计算与语言
机器学习
摘要
知识库补全问题的目标是从知识库中已有的事实推断缺失信息。先前的工作已证明了基于路径排序方法的有效性，该方法通过发现知识图中的可观测模式来解决此问题，其中节点表示实体、边表示关系。然而，这些模式要么因仅依赖关系而缺乏准确性，要么因直接使用特定实体信息而难以泛化。我们提出注意力路径排序（Attentive Path Ranking），一种利用实体类型层次结构来同时避免歧义并保持泛化的新型路径模式表示。然后，我们提出一个端到端训练的基于注意力的 RNN 模型，从数据中发掘新的路径模式。在基准知识库补全数据集 WN18RR 和 FB15k-237 上的实验表明，所提模型在事实预测任务上分别以 26% 和 10% 的统计显著优势优于现有方法。此外，定量与定性分析表明，这些路径模式在泛化与判别之间取得了平衡。
引用
@article{arxiv.1905.10799,
title = {Path Ranking with Attention to Type Hierarchies},
author = {Weiyu Liu and Angel Daruna and Zsolt Kira and Sonia Chernova},
journal= {arXiv preprint arXiv:1905.10799},
year = {2019}
}
备注
Thirty-Fourth AAAI Conference on Artificial Intelligence (AAAI-20)