TransEdge：面向知识图的关 contextualized 关系嵌入翻译模型
人工智能
2020-04-29 v1 计算与语言
机器学习
摘要
近年来，知识图（KG）嵌入的学习受到越来越多的关注。文献中的大多数嵌入模型将关系解释为对实体嵌入进行操作的线性或双线性映射函数。然而，我们发现这种关系级建模不能很好地捕捉知识图的多样化关系结构。在本文中，我们提出一种新颖的以边为中心的嵌入模型 TransEdge，它针对具体的头-尾实体对对关系表示进行语境化。我们将关系的这种语境化表示称为边嵌入，并将其解释为实体嵌入之间的平移。TransEdge 在不同的预测任务上取得了有前景的性能。我们在基准数据集上的实验表明，它在基于嵌入的实体对齐上获得了最先进（state-of-the-art）的结果。我们还表明 TransEdge 与传统实体对齐方法是互补的。此外，它在链接预测上展现出非常有竞争力的性能。
引用
@article{arxiv.2004.13579,
title = {TransEdge: Translating Relation-contextualized Embeddings for Knowledge Graphs},
author = {Zequn Sun and Jiacheng Huang and Wei Hu and Muchao Chen and Lingbing Guo and Yuzhong Qu},
journal= {arXiv preprint arXiv:2004.13579},
year = {2020}
}
备注
Published in proceedings of the 18th International Semantic Web Conference (ISWC 2019)