用于时序知识库补全的张量分解
机器学习
2020-04-13 v1 机器学习
摘要
大多数用于关系数据中表示学习与链接预测的算法都是为静态数据设计的。然而,它们所应用的数据通常随时间演化,例如社交网络中的好友图或推荐系统中用户与物品的交互。知识库也是如此,其中包含诸如 (US, has president, B. Obama, [2009-2017]) 这样仅在特定时间点成立的事实。对于时间约束下的链接预测问题,即回答诸如 (US, has president, ?, 2012) 的查询,我们提出了一种受 4 阶张量典范分解启发的解决方案。我们引入了新的正则化方案,并给出了 ComplEx (Trouillon et al., 2016) 的一个扩展,其达到了最先进的性能。此外,我们提出了一个从 Wikidata 构建的、比先前基准大一个数量级的知识库补全新数据集,作为评估时序与非时序链接预测方法的新参考。
引用
@article{arxiv.2004.04926,
title = {Tensor Decompositions for temporal knowledge base completion},
author = {Timothée Lacroix and Guillaume Obozinski and Nicolas Usunier},
journal= {arXiv preprint arXiv:2004.04926},
year = {2020}
}