知识图谱补全中处理长尾关系与罕见实体
计算与语言
2019-09-26 v1
摘要
对于大规模知识图谱（KGs），近期研究聚焦于被以往工作忽略的大比例低频关系。例如，已探讨关系的少样本学习范式。在本工作中，我们进一步主张在处理低频关系时，处理罕见实体是不可避免的。因此，我们提出一种元学习框架，旨在利用文本描述通过少样本学习处理低频关系与罕见实体。我们设计了一种新颖模型以更好地从文本描述中提取关键信息。此外，我们还在框架中开发了一种新颖的生成模型，通过在训练阶段生成额外三元组来提升性能。实验在来自真实世界知识图谱的两个数据集上进行，结果表明我们的框架在处理低频关系及其伴随的罕见实体时优于以往方法。
引用
@article{arxiv.1909.11359,
title = {Tackling Long-Tailed Relations and Uncommon Entities in Knowledge Graph Completion},
author = {Zihao Wang and Kwun Ping Lai and Piji Li and Lidong Bing and Wai Lam},
journal= {arXiv preprint arXiv:1909.11359},
year = {2019}
}