基于关系路径规则挖掘的转导式数据增强用于知识图谱嵌入
机器学习
2021-11-02 v1 计算与语言
信息检索
摘要
对于知识图谱补全，存在两类主要预测模型：一类基于图嵌入，另一类基于关系路径规则归纳。它们各有优缺点。为兼顾两者优势，近期提出了混合模型。其中一种混合模型 UniKER 通过关系路径规则交替增强训练数据并训练嵌入模型。尽管其预测精度高，但它未充分利用关系路径规则，因为为维护增强数据质量而忽略了低置信度规则。为缓解此局限，我们提出通过关系路径规则进行转导式数据增强，并对增强数据按置信度加权。结果与分析表明，我们所提方法通过增强包含真实答案或与之相似实体的数据，有效提升了嵌入模型的性能。
引用
@article{arxiv.2111.00974,
title = {Transductive Data Augmentation with Relational Path Rule Mining for Knowledge Graph Embedding},
author = {Yushi Hirose and Masashi Shimbo and Taro Watanabe},
journal= {arXiv preprint arXiv:2111.00974},
year = {2021}
}
备注
8 pages, 0 figures, accepted by 2021 IEEE International Conference on Big Knowledge. The copyright of this paper has been transferred to the IEEE, please comply with the copyright of the IEEE