基于盒格度量的知识图谱概率嵌入
机器学习
2018-05-18 v1 机器学习
摘要
在概念空间上强制部分序或格结构（如序嵌入（OE）（Vendrov 等，2016））的嵌入方法，是对传递关系数据（例如蕴含图）建模的自然方式。然而，OE 学习的是确定性知识库，限制了查询的表达能力以及利用不确定性进行预测与学习（例如从期望中学习）的能力。OE 的概率扩展（Lai 和 Hockenmaier，2017）在保留有序模型的一致性与归纳偏置的同时，提供了一定程度上校准这些指称概率的能力，但缺乏建模真实世界知识中负相关的能力。在本文中，我们证明了一大类将概率测度分配给 OE 的模型永远无法捕捉负相关，这促使我们构造一种新颖的盒格及配套概率测度，以捕捉反相关乃至不相交概念，同时仍提供概率建模的益处，例如对任意概念集合执行丰富的联合与条件查询，以及从已校准的不确定性中学习并预测。我们展示了在建模 Flickr 与 WordNet 蕴含图上相对先前方法的改进，并探究了该模型的表达能力。
引用
@article{arxiv.1805.06627,
title = {Probabilistic Embedding of Knowledge Graphs with Box Lattice Measures},
author = {Luke Vilnis and Xiang Li and Shikhar Murty and Andrew McCallum},
journal= {arXiv preprint arXiv:1805.06627},
year = {2018}
}
备注
ACL 2018 camera-ready version, 14 pages including appendices