SE-KGE:一种用于地理问答与空间语义提升的位址感知知识图谱嵌入模型
数据库
2020-04-30 v1 人工智能
计算与语言
机器学习
机器学习
摘要
学习知识图谱(KG)嵌入是一种新兴技术,可用于摘要、链接预测、信息检索与问答等多种下游任务。然而,大多数现有 KG 嵌入模型忽略空间,因此在应用于(地理)空间数据与任务时表现不佳。对于那些考虑空间的模型,其中大多数主要依赖某种距离概念。这些模型在训练时计算复杂度较高,同时仍丢失了实体间相对距离之外的信息。在本工作中,我们提出一种称为 SE-KGE 的位址感知 KG 嵌入模型。它直接将地理实体的点坐标或包围盒等空间信息编码进 KG 嵌入空间。所得模型能够处理不同类型的空间推理。我们还构建了一个地理知识图谱以及一组称为 DBGeo 的地理查询-答案对,用以评估 SE-KGE 相较于多个基线的性能。评估结果表明,在 DBGeo 数据集的地理逻辑查询回答任务上,SE-KGE 优于这些基线。这证明了我们显式空间模型的有效性以及考虑不同地理实体尺度的重要性。最后,我们引入一种称为空间语义提升的新颖下游任务,其通过某些关系将研究区域中任意位置链接到 KG 中的实体。在 DBGeo 上的评估显示,我们的模型以显著优势超越基线。
引用
@article{arxiv.2004.14171,
title = {SE-KGE: A Location-Aware Knowledge Graph Embedding Model for Geographic Question Answering and Spatial Semantic Lifting},
author = {Gengchen Mai and Krzysztof Janowicz and Ling Cai and Rui Zhu and Blake Regalia and Bo Yan and Meilin Shi and Ni Lao},
journal= {arXiv preprint arXiv:2004.14171},
year = {2020}
}
备注
Accepted to Transactions in GIS