V-Coder：面向知识图谱语义揭示的自适应自动编码器
人工智能
2022-08-04 v1 机器学习
摘要
语义网或知识图谱（KG）已成为需要访问结构化知识的智能系统中最重要的信息源之一。主要挑战之一是从文本数据中提取与处理无歧义信息。遵循人类感知，两个命名实体之间重叠的语义联系因我们对关系所处上下文的常识而变得清晰，而从机器自动驱动过程来看则并非如此。本工作中，我们关注 KG 范围内的关系消解问题，即研究网络中实体间关系的内在语义。我们提出一种称为 V-Coder 的新型自适应自动编码器，以识别不同领域间内在连接实体的关系。这些关系可视为模糊的，并是解耦的候选。类似于自适应学习理论（ART），我们的模型通过在不丢弃先前观测模式的情况下于竞争层中增加单元来从 KG 学习新图案，同时分别学习各关系的质量。在 Freebase、Yago 和 NELL 真实世界数据集上的评估表明，V-Coder 不仅能从损坏输入数据中恢复链接，还显示出 KG 中关系的语义揭示有改善链接预测的倾向。一项语义评估为该评估画上句号。
引用
@article{arxiv.2208.01735,
title = {V-Coder: Adaptive AutoEncoder for Semantic Disclosure in Knowledge Graphs},
author = {Christian M. M. Frey and Matthias Schubert},
journal= {arXiv preprint arXiv:2208.01735},
year = {2022}
}