模式优先！通过MASCHInE捕获语义学习通用知识图谱嵌入
人工智能
2023-10-20 v2 机器学习
摘要
知识图谱嵌入模型(KGEMs)近年来获得了相当多的关注。这些模型学习知识图谱实体与关系的向量表示，即知识图谱嵌入(KGEs)。学习通用的KGEs是值得期待的，因为这使它们对广泛任务都有用。然而，KGEMs通常针对特定任务训练，这使其嵌入依赖于任务。与此同时，关于KGEMs确实创建了底层实体与关系的语义表示（例如，将相似实体投影得比不相似实体更近）的普遍假设已受到挑战。在本工作中，我们设计了用于生成原型图(protographs)——利用RDF/S信息的KG的小型修改版本——的启发式方法。所学的基于原型图的嵌入旨在封装KG的语义，并可用于学习KGEs，进而也能更好地捕获语义。在各种评估基准上的大量实验证明了这一称为模块化与不可知模式集成原型图嵌入(Modular and Agnostic SCHema-based Integration of protograph Embeddings, MASCHInE)方法的合理性。特别地，MASCHInE有助于产生更通用的KGEs，在实体聚类和节点分类任务上取得显著更好的性能。对于链接预测，使用MASCHInE在保持基于排名的性能等价的同时，大幅增加了语义有效预测的数量。
引用
@article{arxiv.2306.03659,
title = {Schema First! Learn Versatile Knowledge Graph Embeddings by Capturing Semantics with MASCHInE},
author = {Nicolas Hubert and Heiko Paulheim and Pierre Monnin and Armelle Brun and Davy Monticolo},
journal= {arXiv preprint arXiv:2306.03659},
year = {2023}
}