RMNA：一种基于邻居聚合与规则挖掘的知识图谱表示学习模型
机器学习
2021-11-05 v2 人工智能
摘要
尽管最先进的传统表示学习（TRL）模型在知识图谱补全上展现出有竞争力的性能，但实体嵌入间无参数共享，且实体间联系薄弱。因此，提出了基于邻居聚合的表示学习（NARL）模型，其将实体邻居中的信息编码进该实体嵌入。然而，现有 NARL 模型要么仅利用一跳邻居而忽略多跳邻居中的信息，要么通过分层邻居聚合利用多跳邻居却破坏了多跳邻居的完整性。本文提出一种名为 RMNA 的 NARL 模型，其通过规则挖掘算法获取并过滤 horn 规则，并使用筛选出的 horn 规则将有价值的多跳邻居转化为一跳邻居，从而可通过聚合这些一跳邻居完整利用有价值多跳邻居中的信息。实验中，我们将 RMNA 与最先进的 TRL 模型及 NARL 模型比较。结果表明 RMNA 具有有竞争力的性能。
引用
@article{arxiv.2111.00658,
title = {RMNA: A Neighbor Aggregation-Based Knowledge Graph Representation Learning Model Using Rule Mining},
author = {Ling Chen and Jun Cui and Xing Tang and Chaodu Song and Yuntao Qian and Yansheng Li and Yongjun Zhang},
journal= {arXiv preprint arXiv:2111.00658},
year = {2021}
}
备注
22 pages, 2 figures