TranSHER：基于超椭球松弛的知识图谱嵌入翻译方法
人工智能
2022-10-25 v2 机器学习
摘要
知识图谱嵌入方法对于知识图谱补全（或链接预测）任务十分重要。现有一种高效方法 PairRE 利用两个独立向量对知识图谱中的复杂关系（即一对多、多对一和多对多）进行建模。然而，该方法严格将实体限制在超椭球面上，限制了实体分布的优化，导致知识图谱补全性能次优。为解决此问题，我们提出了一种新颖的打分函数 TranSHER，它利用头实体与尾实体之间关系特定的平移来松弛超椭球约束。通过引入直观且简单的关系特定平移，TranSHER 能为优化提供更直接的指导，并捕捉具有复杂关系的实体的更多语义特征。实验结果表明，TranSHER 在链接预测上取得了显著的性能提升，并能很好地泛化到不同领域和规模的数据集。我们的代码公开于 https://github.com/yizhilll/TranSHER。
引用
@article{arxiv.2204.13221,
title = {TranSHER: Translating Knowledge Graph Embedding with Hyper-Ellipsoidal Restriction},
author = {Yizhi Li and Wei Fan and Chao Liu and Chenghua Lin and Jiang Qian},
journal= {arXiv preprint arXiv:2204.13221},
year = {2022}
}
备注
EMNLP 2022. v2 updated for EMNLP camera-ready