复制而非记忆：一种面向知识图谱补全的纵向学习范式
计算与语言
2023-05-24 v1 人工智能
摘要
嵌入模型在知识图谱补全（KGC）任务中展现出强大能力。通过学习每个训练三元组的结构约束，这些方法隐式记忆内在关系规则以推断缺失链接。然而，本文指出由于此类隐式记忆策略的固有缺陷，多跳关系规则难以被可靠记忆，导致嵌入模型在预测远距离实体对间链接时表现不佳。为缓解该问题，我们提出纵向学习范式（VLP），其通过允许从相关事实三元组显式复制目标信息以扩展嵌入模型，从而实现更准预测。VLP 不 solely 依赖隐式记忆，而是直接提供额外线索以提升嵌入模型的泛化能力，尤其显著简化远距离链接预测。此外，我们还提出一种基于相对距离的新型负采样技术（ReD）以实现更有效优化。实验在两个标准基准上证明了我们方法的有效性与通用性。代码见 https://github.com/rui9812/VLP。
引用
@article{arxiv.2305.14126,
title = {To Copy Rather Than Memorize: A Vertical Learning Paradigm for Knowledge Graph Completion},
author = {Rui Li and Xu Chen and Chaozhuo Li and Yanming Shen and Jianan Zhao and Yujing Wang and Weihao Han and Hao Sun and Weiwei Deng and Qi Zhang and Xing Xie},
journal= {arXiv preprint arXiv:2305.14126},
year = {2023}
}
备注
Accepted to ACL 2023 Main Conference (Long Paper)