SpherE：面向集合检索的表达性强且可解释的知识图谱嵌入
信息检索
2024-05-01 v1 人工智能
机器学习
摘要
知识图谱(KGs)存储了大量关系事实(头实体、关系、尾实体)，服务于多种应用。虽然许多下游任务高度依赖于KGs的表达性建模和预测性嵌入，但当前大多数知识图谱表示学习方法(其中每个实体被嵌入为欧几里得空间中的一个向量，每个关系被嵌入为一个变换)都遵循实体排序协议。一方面，这种嵌入设计无法捕捉多对多关系。另一方面，在许多检索场景中，用户希望获得精确的答案集合而不需要任何排序，尤其是当结果预期是精确的时候，例如哪些基因导致某种疾病。这类场景通常被称为“集合检索”。本文对知识图谱集合检索问题进行了开创性研究。我们表明集合检索高度依赖于多对多关系的表达性建模，并提出了一种新的知识图谱嵌入模型SpherE来解决这个问题。SpherE基于旋转嵌入方法，但每个实体被嵌入为一个球体而不是一个向量。在继承旋转模型高可解释性的同时，我们的SpherE能够更表达性地建模一对多、多对一和多对多关系。通过大量实验，我们表明SpherE能够很好地解决集合检索问题，同时仍然具有良好的预测能力来推断缺失事实。代码可在https://github.com/Violet24K/SpherE获取。
引用
@article{arxiv.2404.19130,
title = {SpherE: Expressive and Interpretable Knowledge Graph Embedding for Set Retrieval},
author = {Zihao Li and Yuyi Ao and Jingrui He},
journal= {arXiv preprint arXiv:2404.19130},
year = {2024}
}
备注
Accepted by SIGIR 2024, Camera Ready Version