用于知识图谱链路预测的 SimplE 嵌入
机器学习
2018-10-29 v2 机器学习
摘要
知识图谱包含关于世界的知识，并提供这些知识的结构化表示。当前的知识图谱仅包含世界中真实情况的一小部分。链路预测方法旨在根据实体间已有的链接来预测知识图谱的新链接。张量分解方法已被证明对此类链路预测问题很有前景。Canonical Polyadic (CP) 分解提出于 1927 年，是最早的张量分解方法之一。CP 在链路预测中通常表现较差，因为它为每个实体学习两个独立的嵌入向量，而它们实际上是绑定的。我们提出一种对 CP 的简单增强（称之为 SimplE），以允许每个实体的两个嵌入被依赖地学习。SimplE 的复杂度随嵌入规模线性增长。通过 SimplE 学习的嵌入是可解释的，并且某些类型的背景知识可通过权重绑定纳入这些嵌入中。我们证明 SimplE 具有完全表达性，并推导了其实现完全表达性所需嵌入规模的界。我们通过实验表明，尽管简单，SimplE 仍优于多种最先进的张量分解技术。SimplE 的代码可在 GitHub 上获取：https://github.com/Mehran-k/SimplE。
引用
@article{arxiv.1802.04868,
title = {SimplE Embedding for Link Prediction in Knowledge Graphs},
author = {Seyed Mehran Kazemi and David Poole},
journal= {arXiv preprint arXiv:1802.04868},
year = {2018}
}
备注
Accepted for publication at conference on neural information processing systems (NIPS 2018). 12 pages, 2 figure, 2 tables, 5 propositions