面向 N 元关系知识库的感知角色建模
人工智能
2021-04-21 v1
摘要
N 元关系知识库(KBs)以二元及超二元关系事实表示知识。特别地，在 n 元关系事实中，所涉实体扮演不同角色，例如三元关系 PlayCharacterIn 由 ACTOR、CHARACTER 与 MOVIE 三个角色构成。然而，现有方法常直接由二元关系 KBs（即知识图谱）扩展而来，忽略了角色这一重要语义属性。因此，我们从角色层面出发，提出一种用于 n 元关系 KBs 中事实的感知角色建模（简称 RAM）。RAM 探索一个包含基向量的潜在空间，并通过这些向量的线性组合表示角色。此举鼓励语义相关角色具有相近表示。RAM 进一步引入一个模式矩阵，捕捉角色与所有所涉实体间的兼容性。为此，其提出一个多线性评分函数以度量由特定角色与实体构成事实的合理性。我们表明 RAM 同时具备理论上的完全表达力与计算效率，并为二元关系 KBs 中的方法提供了优雅的推广。实验证明 RAM 在 n 元与二元关系数据集上均优于代表性基线。
引用
@article{arxiv.2104.09780,
title = {Role-Aware Modeling for N-ary Relational Knowledge Bases},
author = {Yu Liu and Quanming Yao and Yong Li},
journal= {arXiv preprint arXiv:2104.09780},
year = {2021}
}
备注
WWW2021