用于知识图谱推理的循环单跳预测
计算与语言
2018-06-13 v1
摘要
Freebase 等大规模知识图谱（KGs）通常是不完整的。因此，对多跳（mh）KG 路径进行推理是问答或其他需要世界知识的 NLP 任务所需的重要能力。mh-KG 推理包含多种情形，例如：给定头实体和关系路径，预测尾实体；或给定由若干关系路径连接的两个实体，预测它们之间的未知关系。我们提出 ROPs，即循环单跳预测器（recurrent one-hop predictors），通过在 mh-KB 路径的每一步利用循环神经网络以及实体与关系的向量表示来预测实体，具有两方面优势：（i）对任意长度 mh-路径建模，同时在每一步用训练信号更新实体与关系表示；（ii）在统一框架下处理不同类型的 mh-KG 推理。我们的模型在两个重要的多跳 KG 推理任务上取得了最优性能：知识库补全与路径查询应答。
引用
@article{arxiv.1806.04523,
title = {Recurrent One-Hop Predictions for Reasoning over Knowledge Graphs},
author = {Wenpeng Yin and Yadollah Yaghoobzadeh and Hinrich Schütze},
journal= {arXiv preprint arXiv:1806.04523},
year = {2018}
}
备注
COLING'2018 camera-ready