知识图谱补全的上下文词典查询
摘要：知识图谱补全（KGC）旨在通过预测已知三元组的缺失链接来解决知识图谱（KG）的不完整性，大量的知识图谱嵌入（KGE）模型已被提出以通过学习嵌入来执行KGC。然而，大多数现有的嵌入模型将每个关系映射为一个唯一的向量，忽视了在不同实体下它们的具体细粒度语义。此外，少数现有的细粒度语义模型依赖于聚类算法，导致了两阶段繁琐训练过程的性能和适用性有限。在本文中，我们提出了一种利用上下文词典查找的新方法，使传统嵌入模型能够以端到端的方式学习关系的细粒度语义。具体而言，我们使用包含多个潜在语义的词典来表示每个关系。给定实体和词典的中心语义的组合作为生成查找的上下文，从而自适应地确定关系的细粒度语义。所提出的损失函数同时优化中心和细粒度语义，以确保它们的语义一致性。此外，我们引入了两个指标来评估词典查找操作的有效性和准确性。我们将该方法应用于多个KGE模型，从而在广泛使用的基准数据集上实现了明显的性能提升。
作者：Jining Wang, Delai Qiu, YouMing Liu, Yining Wang, Chuan Chen, Zibin Zheng, Yuren Zhou
论文ID：2306.07719
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-06-14