SCEF：一种支持度-置信度感知的知识图谱精化嵌入框架
人工智能
2019-07-30 v2 计算与语言
摘要
知识图谱（KG）精化主要旨在 KG 补全与校正（即错误检测）。然而，大多数传统 KG 嵌入模型仅关注 KG 补全，并基于所有 KG 中的事实均无噪声地成立这一不合理假设，忽略了同样应作为 KG 精化中重要且必要部分的错误检测。本文提出一种新颖的支持度-置信度感知 KG 嵌入框架（SCEF），通过以三元组支持度与三元组置信度共同学习知识表示，同步实现 KG 补全与校正。具体而言，我们将常规基于平移的模型与支持度和置信度结合来构建模型能量函数。为使我们的三元组支持度-置信度更充分且鲁棒，我们不仅考虑 KG 内部的结构信息，将近似关系蕴含作为三元组置信度约束进行研究，还考虑外部文本证据，分别提出基于实体类别与描述的两种三元组支持度。通过在真实世界数据集上的大量实验，我们证明了 SCEF 的有效性。
引用
@article{arxiv.1902.06377,
title = {SCEF: A Support-Confidence-aware Embedding Framework for Knowledge Graph Refinement},
author = {Yu Zhao and Ji Liu},
journal= {arXiv preprint arXiv:1902.06377},
year = {2019}
}
备注
(1)the model are unreasonable;(2)the experiments are unfair to baselines;