利用成对共现信息改进大规模数据集上的知识图谱补全
机器学习
2019-10-28 v1 机器学习
摘要
DistMult 与 ComplEx 等双线性模型是知识图谱（KG）补全的有效方法。然而，它们需要较大的批大小，在大规模数据集上训练时因内存限制而成为性能瓶颈。本文利用数据集中实体-关系对的共现信息构建联合学习模型，并提升训练过程中采样负例的质量。我们在三个标准数据集上表明，当这两种技术结合时，可带来显著的性能提升，尤其在批大小与生成负例数相对于数据集规模较低时。随后我们将所提技术应用于含 200 万实体的数据集，并证明我们的模型在 hits@1 上绝对优于基线 2.8%。
引用
@article{arxiv.1910.11583,
title = {Using Pairwise Occurrence Information to Improve Knowledge Graph Completion on Large-Scale Datasets},
author = {Esma Balkir and Masha Naslidnyk and Dave Palfrey and Arpit Mittal},
journal= {arXiv preprint arXiv:1910.11583},
year = {2019}
}
备注
8 pages, 3 figures, accepted at EMNLP 2019