RatE：用于知识图谱补全的关系自适应平移嵌入
计算与语言
2020-10-13 v1 人工智能
摘要
许多图嵌入方法已通过链接预测被提出用于知识图谱补全。其中，平移嵌入方法具有轻量结构、高效率与强可解释性的优势。特别是当扩展到复向量空间时，它们展现出处理对称、反对称、逆与组合等各种关系模式的能力。然而，先前定义在复向量空间中的平移嵌入方法存在两个主要问题：1) 模型的表示与建模能力受限于两个复数严格相乘的平移函数；2) 由一对多关系引起的嵌入歧义未被显式缓解。本文中，我们提出了一种构建于复空间中新颖加权乘积之上的关系自适应平移函数，其中权重是可学习的、关系特定的且与嵌入维度无关。该平移函数每个关系仅需额外八个标量参数，却提升了表达能力并缓解了嵌入歧义问题。基于该函数，我们进而提出关系自适应平移嵌入(RatE)方法对每个图三元组打分。此外，提出了一种新颖的负采样方法，利用先验知识与自对抗学习进行有效优化。实验验证了 RatE 在四个链接预测基准上取得了 SOTA 性能。
引用
@article{arxiv.2010.04863,
title = {RatE: Relation-Adaptive Translating Embedding for Knowledge Graph Completion},
author = {Hao Huang and Guodong Long and Tao Shen and Jing Jiang and Chengqi Zhang},
journal= {arXiv preprint arXiv:2010.04863},
year = {2020}
}
备注
Accepted to appear at COLING 2020