超关系知识图谱的嵌入缩减
摘要：在知识图谱（KG）上的链接预测主要研究了二元关系KG，其中每个事实由三元组表示。然而，大量重要知识由超关系事实表示，其中每个事实由原始三元组和一组限定词组成，限定词是由键值对组成，可以表示更复杂的语义。尽管最近有一些工作提出了嵌入超关系KG的方法，但这些方法没有捕捉到超关系事实的关键推理模式，如限定词单调性、限定词蕴含性和限定词互斥性，从而限制了它们的泛化能力。为了解决这个问题，我们提出了一种名为ShrinkE的几何超关系KG嵌入方法，旨在明确建模这些模式。ShrinkE将原始三元组建模为从头部到关系特定框的空间-函数转换。每个限定词“收缩”框，缩小可能的答案集合，从而实现限定词的单调性。限定词框之间的空间关系允许对限定词的核心推理模式进行建模，如蕴含和互斥。实验结果表明，ShrinkE在三个超关系KG基准上具有优越性。
作者：Bo Xiong, Mojtaba Nayyer, Shirui Pan, Steffen Staab
论文ID：2306.02199
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-06-06