重温用于知识图谱表示学习的简单神经网络
人工智能
2018-01-09 v3 机器学习
机器学习
摘要
我们研究了知识图谱（KGs）中实体与关系的向量表示学习问题，以用于知识库补全（KBC）。该问题在过去几年中受到显著关注，并已提出多种方法。文献中大多数现有方法使用预定义的特征评分函数来评估 KG 三元组的正确性。这些评分函数将正确三元组（高分）与不正确三元组（低分）区分开来。然而，它们的性能在不同数据集上有所差异。在本工作中，我们证明了基于简单神经网络的评分函数能够在多个数据集上持续取得接近最优（start-of-the-art）的性能。我们还定量展示了标准基准数据集中的偏差，并强调了跨多个数据集进行评估的必要性。
引用
@article{arxiv.1711.05401,
title = {Revisiting Simple Neural Networks for Learning Representations of Knowledge Graphs},
author = {Srinivas Ravishankar and Chandrahas and Partha Pratim Talukdar},
journal= {arXiv preprint arXiv:1711.05401},
year = {2018}
}
备注
7 pages, submitted to and accepted in Automated Knowledge Base Construction (AKBC) Workshop 2017, at NIPS 2017