DsMtGCN：一种用于知识图谱补充的方向敏感多任务框架
摘要：在知识图谱（KGs）中解决知识图谱的固有不完整性，提出了许多知识图谱完成（KGC）模型，用于预测已知三元组的缺失链接。其中，通过利用图卷积网络（GCN）在KGs上的结构信息，一些工作已经取得了更高级的结果。然而，我们观察到，现有的基于GCN的模型仅仅是简单地平均从不同方向邻居中聚合的实体嵌入，以完成单一任务，忽视了前向和后向子任务的特定要求。在本文中，我们提出了一种方向敏感的多任务GCN（DsMtGCN），充分利用了方向信息，基于不同实体和子任务，多头自注意力被应用于特定地组合不同方向的嵌入，几何约束被加以规范嵌入的分布，并且传统的二元交叉熵损失被修改以反映三元组的不确定性。此外，对几个基准数据集进行的竞争性实验结果验证了我们模型的有效性。
作者：Jining Wang, Chuan Chen, Zibin Zheng, Yuren Zhou
论文ID：2306.10290
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-06-21