基于堆叠卷积与学生重排序网络的鲁棒知识图谱补全
机器学习
2021-06-15 v1
摘要
知识图谱（KG）补全研究通常聚焦于密集连接的基准数据集，而这些数据集并不能代表真实 KG。我们整理了包含生物医学和百科知识的两个 KG 数据集，并使用一个已有的常识 KG 数据集，在无法保证密集连接的更真实设定下探索 KG 补全。我们开发了一个利用文本实体表示的深度卷积网络，并证明我们的模型在这一挑战性设定下优于近期的 KG 补全方法。我们发现模型性能提升主要源于其对稀疏性的鲁棒性。随后我们将卷积网络中的知识蒸馏到一个对学生网络中对有希望的候选实体进行重排序。这一重排序阶段带来了进一步的性能提升，并证明了实体重排序对于 KG 补全的有效性。
引用
@article{arxiv.2106.06555,
title = {Robust Knowledge Graph Completion with Stacked Convolutions and a Student Re-Ranking Network},
author = {Justin Lovelace and Denis Newman-Griffis and Shikhar Vashishth and Jill Fain Lehman and Carolyn Penstein Rosé},
journal= {arXiv preprint arXiv:2106.06555},
year = {2021}
}
备注
The Joint Conference of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing (ACL-IJCNLP 2021)