Walk-and-Relate：一种基于随机游走的稀疏知识图谱表示学习算法
机器学习
2022-10-17 v2 人工智能
信息检索
社会与信息网络
摘要
知识图谱（KG）嵌入技术利用实体间的结构化关系来学习实体与关系的低维表示。传统的 KG 嵌入技术（如 TransE 和 DistMult）通过在观测到的 KG 三元组上构建的简单模型来估计这些嵌入，其不同之处主要在于三元组评分损失函数。由于这些模型仅使用观测到的三元组来估计嵌入，它们容易遭受现实世界知识图谱中通常出现的数据稀疏问题，即每个实体的三元组数量不足。为解决此问题，我们提出一种高效方法来扩充三元组数量以应对数据稀疏问题。我们利用随机游走生成额外的三元组，使得这些引入三元组所承载的关系蕴含由随机游走诱导的元路径。我们还提供了从随机游走诱导出的可能元路径集合中准确且高效筛选出信息量大的元路径的方法。所提方法具有模型无关性，扩充后的训练数据集可直接用于任意 KG 嵌入方法。在基准数据集上的实验结果表明了所提方法的优势。
引用
@article{arxiv.2209.08769,
title = {Walk-and-Relate: A Random-Walk-based Algorithm for Representation Learning on Sparse Knowledge Graphs},
author = {Saurav Manchanda},
journal= {arXiv preprint arXiv:2209.08769},
year = {2022}
}