基于 Wasserstein 对抗学习的时间知识图谱嵌入
信息检索
2022-05-05 v1
摘要
知识图谱嵌入（KGE）的研究已成为一个活跃领域，现有大多数 KGE 方法主要关注静态结构数据，忽略了时间感知三元组中涉及的时间变化影响。为处理该问题，近年来提出了若干时间知识图谱嵌入（TKGE）方法以融合时间与结构信息。然而，这些方法仅采用均匀随机采样来构造负事实，导致 corrupted 样本通常过于简单，难以训练出有效模型。本文提出一种新的时间知识图谱嵌入框架，引入对抗学习以进一步提升传统 TKGE 模型的性能。在我们的框架中，生成器用于构造高质量的合理四元组，判别器基于正负样本学习获得实体与关系的嵌入。同时，我们应用 Gumbel-Softmax 松弛与 Wasserstein 距离来防止离散数据上的梯度消失问题——这是传统生成对抗网络的固有缺陷。通过在时间数据集上的综合实验，结果表明我们提出的框架基于基准模型取得了显著改进，并证明了框架的有效性与适用性。
引用
@article{arxiv.2205.01873,
title = {Wasserstein Adversarial Learning based Temporal Knowledge Graph Embedding},
author = {Yuanfei Dai and Wenzhong Guo and Carsten Eickhoff},
journal= {arXiv preprint arXiv:2205.01873},
year = {2022}
}