RelWalk：一种用于知识图谱嵌入的潜变量模型方法
计算与语言
2021-01-26 v1
摘要
将知识图谱中的实体和关系嵌入低维空间，在预测实体间缺失链接方面表现出令人印象深刻的性能。尽管已取得进展，现有方法多为启发式动机，对此类嵌入的理论理解相对不足。本文将对词嵌入的随机游走模型（Arora et al., 2016a）扩展至知识图谱嵌入（KGEs），推导出评估两实体h（头）与t（尾）之间关系R强度的评分函数。此外，我们表明边际损失最小化——许多KGE先前工作中常用的目标函数——自然源于根据我们的理论关系从KGEs估计的概率下的对数似然比最大化。我们提出了一个由理论分析驱动的、从给定知识图谱学习KGEs的学习目标。利用所推导的目标，从FB15K237和WN18RR基准数据集学到了准确的KGEs，为理论提供了经验证据支持。
引用
@article{arxiv.2101.10070,
title = {RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding},
author = {Danushka Bollegala and Huda Hakami and Yuichi Yoshida and Ken-ichi Kawarabayashi},
journal= {arXiv preprint arXiv:2101.10070},
year = {2021}
}
备注
Accepted in EACL 2021