TaxoExpan：基于位置增强图神经网络的自监督分类体系扩展
计算与语言
2020-01-28 v1 人工智能
信息检索
摘要
分类体系由机器可解释的语义构成，并为许多网络应用提供有价值的知识。例如，在线零售商（如 Amazon 和 eBay）使用分类体系进行商品推荐，网络搜索引擎（如 Google 和 Bing）利用分类体系增强查询理解。人们在手动或半自动构建分类体系方面已付出巨大努力。然而，随着网络内容数量的快速增长，现有分类体系将变得过时，无法捕捉新兴知识。因此，在许多应用中，对现有分类体系进行动态扩展的需求十分迫切。本文研究如何通过添加一组新概念来扩展现有分类体系。我们提出一种名为 TaxoExpan 的新型自监督框架，该框架从现有分类体系自动生成一组<查询概念, 锚概念>对作为训练数据。利用此类自监督数据，TaxoExpan 学习一个模型来预测查询概念是否为锚概念的直接下位词。我们在 TaxoExpan 中开发了两项创新技术：（1）位置增强图神经网络，用于编码现有分类体系中锚概念的局部结构；（2）噪声鲁棒训练目标，使学习到的模型对自监督数据中的标签噪声不敏感。在来自不同领域的三个大规模数据集上的大量实验证明了 TaxoExpan 在分类体系扩展上的有效性与高效性。
引用
@article{arxiv.2001.09522,
title = {TaxoExpan: Self-supervised Taxonomy Expansion with Position-Enhanced Graph Neural Network},
author = {Jiaming Shen and Zhihong Shen and Chenyan Xiong and Chi Wang and Kuansan Wang and Jiawei Han},
journal= {arXiv preprint arXiv:2001.09522},
year = {2020}
}
备注
WWW 2020