面向学术知识图谱补全的软边际 TransE
人工智能
2019-04-30 v1 信息检索
机器学习
摘要
知识图谱（KGs），即将信息表示为语义图，为问答、推荐和链接预测等许多任务提供了重要的试验平台。来自不同数据提供者和主体的大量学术元数据已被构建为知识图谱。然而，这些海量数据在完整性方面远未达到质量标准，同时仍以极快速度增长。大多数补全此类知识图谱的尝试遵循传统的数据数字化、采集与协作策展方法。而先进的 AI 相关方法，如专为此类任务设计的嵌入模型，通常在 Freebase 和 Wordnet 等标准基准上评估。此类数据集的特定性质使这些模型难以揭示更精确的发现。将此类模型应用于特定领域知识图谱可利用丰富的元数据，并在相关领域可获得准确结果，从而带来巨大收益。本文中，TransE 嵌入模型被调整用于学术元数据上的特定链接预测任务。结果表明，在含学术元数据的数据集上，该模型的准确率和性能评估发生显著变化。新提出的 TransE 版本在链接预测任务上取得 99.9% 的准确率，而原始 TransE 为 95%。在准确率和 Hit@10 方面，TransE 优于在学术知识图谱上实验的其它嵌入模型，如 ComplEx、TransH 和 TransR。
引用
@article{arxiv.1904.12211,
title = {Soft Marginal TransE for Scholarly Knowledge Graph Completion},
author = {Mojtaba Nayyeri and Sahar Vahdati and Jens Lehmann and Hamed Shariat Yazdi},
journal= {arXiv preprint arXiv:1904.12211},
year = {2019}
}