面向超关系知识图的收缩嵌入方法
人工智能
2023-06-06 v1
摘要
知识图（KGs）上的链接预测已在二元关系 KGs 上被广泛研究，其中每个事实由三元组表示。然而，大量重要知识由超关系事实表示，其中每个事实由一个主三元组和一组限定词（ comprising 一个键值对）组成，可表达更复杂的语义。尽管近期一些工作提出对超关系 KGs 进行嵌入，这些方法未能捕捉超关系事实的基本推理模式，如限定词单调性、限定词蕴涵与限定词互斥，限制了其泛化能力。为此，我们提出 ShrinkE，一种几何超关系 KG 嵌入方法，旨在显式建模这些模式。ShrinkE 将主三元组建模为从头实体到关系特定盒子的空间-函数变换。每个限定词“收缩”该盒子以缩小可能答案集，从而实现限定词单调性。限定词盒子间的空间关系可用于建模限定词的核心推理模式，如蕴涵与互斥。实验结果证明了 ShrinkE 在三个超关系 KG 基准上的优越性。
引用
@article{arxiv.2306.02199,
title = {Shrinking Embeddings for Hyper-Relational Knowledge Graphs},
author = {Bo Xiong and Mojtaba Nayyer and Shirui Pan and Steffen Staab},
journal= {arXiv preprint arXiv:2306.02199},
year = {2023}
}
备注
To appear in ACL 2023