通用知识图谱嵌入
人工智能
2024-07-08 v2
摘要
已开发出多种知识图谱嵌入方法。其中大多数在链接预测设定下通过学习知识图谱的结构来获得嵌入。因此,这些嵌入仅反映单个知识图谱的结构,且不同知识图谱的嵌入未对齐,例如无法通过最近邻搜索跨知识图谱查找相似实体。然而,实体消歧等知识图谱嵌入应用需要更全局的表示,即跨多个源有效的表示。我们提出从大规模互联知识源中学习通用知识图谱嵌入。为此,我们基于 owl:sameAs 关系融合大型知识图谱,使每个实体由唯一标识表示。我们通过基于 DBpedia 和 Wikidata 计算通用嵌入来实现该思路,得到约 1.8 亿实体、1.5 万关系和 12 亿三元组的嵌入。我们相信所计算的嵌入将支持新兴的图基础模型领域。此外,我们开发了便捷的 API 以将嵌入作为服务提供。链接预测实验表明,与在单个知识图谱上计算的嵌入相比,通用知识图谱嵌入编码了更好的语义。为可复现起见,我们以开放获取方式提供源代码与数据集。
引用
@article{arxiv.2310.14899,
title = {Universal Knowledge Graph Embeddings},
author = {N'Dah Jean Kouagou and Caglar Demir and Hamada M. Zahera and Adrian Wilke and Stefan Heindorf and Jiayi Li and Axel-Cyrille Ngonga Ngomo},
journal= {arXiv preprint arXiv:2310.14899},
year = {2024}
}
备注
5 pages, 3 tables