面向低资源知识图谱补全的关系对抗网络
计算与语言
2023-01-26 v6 人工智能
数据库
信息检索
机器学习
摘要
知识图谱补全（KGC）旨在通过链接预测或关系抽取填补缺失连接以改进知识图谱。KGC 的主要困难之一是低资源问题。以往方法假设有充足的训练三元组来学习实体与关系的通用向量，或有足够数量的标注句子来训练可靠的关系抽取模型。然而，低资源关系在知识图谱中十分常见，那些新添加的关系往往没有许多已知样本用于训练。在本文中，我们的目标是在仅有限训练实例可用的极具挑战性的设定下预测新事实。我们提出一种称为加权关系对抗网络（Weighted Relation Adversarial Network）的通用框架，其利用对抗过程将从高资源关系学到的知识/特征迁移至不同但相关的低资源关系。具体而言，该框架借助关系判别器区分来自不同关系的样本，并帮助学习更易从高资源关系迁移至目标关系的、关系不变的特征。实验结果表明，所提方法在链接预测与关系抽取的低资源设定上均优于以往方法。
引用
@article{arxiv.1911.03091,
title = {Relation Adversarial Network for Low Resource Knowledge Graph Completion},
author = {Ningyu Zhang and Shumin Deng and Zhanlin Sun and Jiaoayan Chen and Wei Zhang and Huajun Chen},
journal= {arXiv preprint arXiv:1911.03091},
year = {2023}
}
备注
WWW2020