StarGraph：基于不完整两跳子图的知识表示学习
计算与语言
2023-01-05 v2 人工智能
机器学习
摘要
知识图谱（KG）的传统表示学习算法将每个实体映射至唯一嵌入向量，忽略了邻域所含的丰富信息。我们提出名为StarGraph的方法，其以新颖方式利用大规模知识图谱的邻域信息以获取实体表示。首先为每个目标节点生成不完整两跳邻域子图，继而经改进的自注意力网络处理以获得实体表示，用于替代传统方法中的实体嵌入。我们在ogbl-wikikg2上取得SOTA性能，并在fb15k-237上获得具竞争力的结果。实验结果表明StarGraph参数高效，且在ogbl-wikikg2上的提升彰显其在大规模知识图谱表示学习上的卓越有效性。代码现见于\url{https://github.com/hzli-ucas/StarGraph}。
引用
@article{arxiv.2205.14209,
title = {StarGraph: Knowledge Representation Learning based on Incomplete Two-hop Subgraph},
author = {Hongzhu Li and Xiangrui Gao and Linhui Feng and Yafeng Deng and Yuhui Yin},
journal= {arXiv preprint arXiv:2205.14209},
year = {2023}
}
备注
Under review in ICLR 2023 (https://openreview.net/forum?id=mTOB_VK_BWk)