基于有序关系路径表示学习的知识图谱补全
机器学习
2019-09-27 v1 人工智能
摘要
不完备是现有知识图谱 (KGs) 的普遍问题，旨在预测实体间链接的 KG 补全具有挑战性。大多数现有 KG 补全方法仅考虑节点间的直接关系，忽略了包含有用链接预测信息的关系路径。近来，少数方法考虑了关系路径，但较少关注路径中关系的顺序，而该顺序对推理十分重要。此外，这些基于路径的模型总是忽略路径特征对链接预测的非线性贡献。为解决这些问题，我们提出了一种名为 OPTransE 的新型 KG 补全方法。与以往方法将关系的两端实体嵌入同一潜空间不同，我们将每个关系的头实体和尾实体投影到不同空间，以保证路径中关系的顺序。同时，我们采用池化策略提取不同路径的非线性复杂特征，以进一步提升链接预测性能。在两个基准数据集上的实验结果表明，所提模型 OPTransE 优于 state-of-the-art 方法。
引用
@article{arxiv.1909.11864,
title = {Representation Learning with Ordered Relation Paths for Knowledge Graph Completion},
author = {Yao Zhu and Hongzhi Liu and Zhonghai Wu and Yang Song and Tao Zhang},
journal= {arXiv preprint arXiv:1909.11864},
year = {2019}
}