基于门控与注意力邻居聚合器的少样本知识图谱补全关系学习
人工智能
2021-06-08 v2 计算与语言
摘要
旨在扩展知识图谱(KGs)中少样本关系的覆盖度，少样本知识图谱补全(FKGC)近年来获得了更多研究关注。一些现有模型利用少样本关系的多跳邻居信息来增强其语义表示。然而，当邻域过度稀疏且无可用邻居表示少样本关系时，噪声邻居信息可能被放大。此外，先前知识图谱补全方法对一对多(1-N)、多对一(N-1)和多对多(N-N)复杂关系进行建模与推断需要高模型复杂度和大量训练实例。因此，由于训练实例有限，FKGC模型在少样本场景下难以推断复杂关系。本文提出一种具有全局-局部框架的少样本关系学习以解决上述问题。在全局阶段，构建了一种新颖的门控与注意力邻居聚合器，用于准确整合少样本关系邻域的语义，即使在KG包含极度稀疏邻域时也有助于过滤噪声邻居。在局部阶段，设计了一种基于元学习的TransH(MTransH)方法以建模复杂关系并以少样本学习形式训练我们的模型。大量实验表明，我们的模型在常用基准数据集NELL-One和Wiki-One上优于最先进的FKGC方法。与强基线模型MetaR相比，我们的模型通过Hits@10指标在NELL-One上实现了5-shot FKGC性能提升8.0%，在Wiki-One上提升2.8%。
引用
@article{arxiv.2104.13095,
title = {Relational Learning with Gated and Attentive Neighbor Aggregator for Few-Shot Knowledge Graph Completion},
author = {Guanglin Niu and Yang Li and Chengguang Tang and Ruiying Geng and Jian Dai and Qiao Liu and Hao Wang and Jian Sun and Fei Huang and Luo Si},
journal= {arXiv preprint arXiv:2104.13095},
year = {2021}
}
备注
The full version of a paper accepted to SIGIR 2021