Trans4E：学术知识图谱上的链接预测
人工智能
2021-07-08 v1 计算与语言
数字图书馆
机器学习
摘要
知识图谱（KGs）的不完备性是影响基于人工智能服务质量的关键问题。在学术领域，描述研究论文的知识图谱通常缺乏重要信息，阻碍了我们分析和预测研究动态的能力。近年来，基于知识图谱嵌入模型的链接预测方法成为解决该问题的首选方案。在本工作中，我们提出 Trans4E，一种特别适用于包含 N 对 M 关系且 NM 的知识图谱的新型嵌入模型。这对于依据相对较小的类别集合对大量实体（如研究文章、专利、人物）进行分类的知识图谱而言十分典型。Trans4E 被应用于两个大规模知识图谱——Academia/Industry DynAmics (AIDA) 和 Microsoft Academic Graph (MAG)，以补全关于研究领域（如“神经网络”、“机器学习”、“人工智能”）和隶属类型（如“教育”、“公司”、“政府”）的信息，从而提升所得数据的覆盖范围与准确性。我们在 AIDA、MAG 以及另外四个基准（FB15k、FB15k-237、WN18 和 WN18RR）上将我们的方法与替代方案进行了评估。在使用低嵌入维度时，Trans4E 优于其他模型，并在高维度下取得了具有竞争力的结果。
引用
@article{arxiv.2107.03297,
title = {Trans4E: Link Prediction on Scholarly Knowledge Graphs},
author = {Mojtaba Nayyeri and Gokce Muge Cil and Sahar Vahdati and Francesco Osborne and Mahfuzur Rahman and Simone Angioni and Angelo Salatino and Diego Reforgiato Recupero and Nadezhda Vassilyeva and Enrico Motta and Jens Lehmann},
journal= {arXiv preprint arXiv:2107.03297},
year = {2021}
}