基于 Tucker 分解的时间知识图谱补全
人工智能
2020-11-17 v1
摘要
知识图谱已被证明是众多智能应用的有效工具。然而，大量有价值的知识仍隐式存在于知识图谱中。为丰富现有知识图谱，近年来出现了许多用于链接预测与知识图谱嵌入的算法以推断新事实。但此类研究大多聚焦于静态知识图谱，忽略了反映知识有效性的时间信息。构建时间知识图谱补全模型是一项日益重要的任务。本文受 4 阶张量 Tucker 分解启发，构建了一种用于时间知识图谱补全的新张量分解模型。我们证明了所提模型具有完全表达性，并报告了在若干公开基准上的 SOTA 结果。此外，我们提出了若干正则化方案以改进策略，并研究了它们对所提模型的影响。在三个时间数据集（即 ICEWS2014、ICEWS2005-15、GDELT）上的实验研究验证了我们的设计，并表明我们的模型在链接预测任务上以明显优势优于基线。
引用
@article{arxiv.2011.07751,
title = {Tucker decomposition-based Temporal Knowledge Graph Completion},
author = {Pengpeng Shao and Guohua Yang and Dawei Zhang and Jianhua Tao and Feihu Che and Tong Liu},
journal= {arXiv preprint arXiv:2011.07751},
year = {2020}
}