SARF：别名关系辅助的少样本关系推理自监督学习
机器学习
2024-10-28 v1 人工智能
信息检索
摘要
知识图上的少样本关系推理（FS-KGR）旨在推断长尾、数据贫乏的关系，因其实用性近年受到越来越多的关注。先前方法的预训练需要手动构建元关系集，导致大量人工成本。自监督学习（SSL）被视为解决该问题的方案，但在 FS-KGR 任务中仍处于早期阶段。此外，现有多数方法忽略利用来自别名关系（AR，即与目标数据贫乏关系具有相似上下文语义的数据丰富关系）的有益信息。因此，我们提出一种利用别名关系辅助 FS-KGR 的新型自监督学习模型，称为 SARF。具体地，我们的模型设计了四个主要组件，即 SSL 推理模块、AR 辅助机制、融合模块和打分函数。我们首先以生成式方式生成共现模式的表示。同时，学习别名关系的表示以在 AR 辅助机制中增强推理。此外，提供多种策略（即简单求和与可学习融合）用于表示融合。最后，生成的表示用于打分。在三个少样本基准上的大量实验表明，在大多数情况下 SARF 相较其他方法取得了最先进的性能。
引用
@article{arxiv.2304.10297,
title = {SARF: Aliasing Relation Assisted Self-Supervised Learning for Few-shot Relation Reasoning},
author = {Lingyuan Meng and Ke Liang and Bin Xiao and Sihang Zhou and Yue Liu and Meng Liu and Xihong Yang and Xinwang Liu},
journal= {arXiv preprint arXiv:2304.10297},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication