选择与增强：基于稠密检索的知识图谱增强
计算与语言
2023-10-26 v2 人工智能
摘要
将文本信息注入知识图谱（KG）实体表示，在 NLP 社区中对于提升 KG 相关任务性能而言是一项值得的探索。常用于增强 KG 嵌入的外部知识，从语义丰富的词汇依存解析特征，到一组相关关键词，再到如维基百科等外部语料提供的完整文本描述，不一而足。尽管这一创新（文本增强 KG 嵌入）已取得增益，本文提出其仍可进一步改进。我们不使用单一文本描述（因文本固有的词汇歧义性，其不足以代表一个实体），而是提出一个多任务框架，联合选择与 KG 实体相关的一组文本描述，并将 KG 嵌入与文本描述对齐或增强。不同于以往直接套用知识库中形式化实体描述的工作，该框架利用检索模型选择性识别更丰富或高度相关的文本描述以用于实体增强。此外，该框架将增强过程中使用的描述数量视为参数，从而可在确定合适数量前灵活遍历若干数量。链路预测的实验结果表明，相较于使用传统 CNN 的文本增强知识图谱增强方法，Mean Reciprocal Rank（MRR）和 Hits@10 分数分别提升 5.5% 和 3.5%。
引用
@article{arxiv.2307.15776,
title = {Select and Augment: Enhanced Dense Retrieval Knowledge Graph Augmentation},
author = {Micheal Abaho and Yousef H. Alfaifi},
journal= {arXiv preprint arXiv:2307.15776},
year = {2023}
}
备注
Article has already been puclished to Journal of Artificial Intelligence Research (JAIR)