TaxoBell：用于自监督分类法扩展的高斯盒嵌入
计算与语言
2026-01-15 v1
摘要
分类法构成了跨不同领域结构化知识表示的骨干，支撑着电子商务目录、语义搜索和生物医学发现等应用。然而，手动扩展分类法劳动密集，无法跟上新概念出现的速度。现有的自动化方法依赖于基于点的向量嵌入，这种嵌入建模对称相似性，因此难以处理分类法基础的、不对称的“是一种”关系。盒嵌入通过实现包含和不相交提供了一种有前景的替代方案，但它们面临关键问题：(i) 在交集边界处梯度不稳定，(ii) 缺乏语义不确定性的概念，以及 (iii) 表示多义性或歧义的能力有限。我们通过 TaxoBell 来解决这些缺点，这是一个高斯盒嵌入框架，它在盒几何与多元高斯分布之间进行转换，其中均值编码语义位置，协方差编码不确定性。基于能量的优化带来了稳定的优化、对歧义概念的鲁棒建模以及可解释的层次推理。在五个基准数据集上的广泛实验表明，TaxoBell 在 MRR 上显著优于八个最先进的分类法扩展基线 19%，在 Recall@k 上约高出 25%。我们通过错误分析和消融研究进一步展示了 TaxoBell 的优势和缺陷。
引用
@article{arxiv.2601.09633,
title = {TaxoBell: Gaussian Box Embeddings for Self-Supervised Taxonomy Expansion},
author = {Sahil Mishra and Srinitish Srinivasan and Srikanta Bedathur and Tanmoy Chakraborty},
journal= {arXiv preprint arXiv:2601.09633},
year = {2026}
}
备注
Accepted in The Web Conference (WWW) 2026