阿里、浙大顶会论文:联邦环境下,基于元学习的图谱知识外推
The following article is from AINLPer Author ShuYini
背景介绍
知识图谱(KGs)是由大量三元组(头实体、关系、尾实体)组成的表达性的数据结构。如今,许多大规模的KGs已经成为越来越多应用的重要数据支持。随着 KG 的发展,它们不再仅仅以集中的方式应用,即可以在一台设备上访问 KG 的所有三元组,而且以分散的方式应用。目前,许多移动应用程序(APP)在用户的设备上构建了个人KG,自然,在新设备上的新KGs也会随时出现。然而,「众所周知,传统的大规模KG是不完整的;因此,新构建的KGs也面临这个问题。对于KG补全问题,大量的研究人员致力于通过学习实体和关系的低维向量表示(即:知识图谱嵌入,KGE)来预测缺失的环节」。
然而,知识图谱嵌入(KGE)方法在实际应用中并不完善。传统的KGE方法不能处理新的关系和实体,因为它们学习的是固定的实体和关系集的嵌入,而一个新兴的KG往往伴随着新的关系和实体。如上图所示,「新兴的KG包含一个看不见的实体Org.B和一个看不见的关系TeacherOf,因此,在已有KG上训练的KGE模型,是不能应用于在新建KG上去获取这些看不到的实体和关系的」。
模型介绍
关系特征表示模块:由三元组构造关系位置图(RPG),揭示关系之间的相对位置,并在此基础上构造关系特征如上图(b)所示;其中,基于四个关系相对位置,我们定义了RPG中节点之间的四个关系,如上图(a)所示。为了避免混淆,我们将这种“关系之间的关系”称为元关系,并将表示关系的节点称为re -node。对于两个特定的关系,如果在支持三元组中出现了它们的一种相对位置,则它们在RPG中对应的rel-node将由对应的元关系连接起来。在构建RPG后,如上图图(c)所示。
实体特征表示模块:使用实体和其相邻之间的连接来表示它们的特征;
GNN知识外推模块:GNN对可见和不可见组件进行特征编码和输出嵌入,以实现知识外推。
实验快照
将基于KG基准数据集评估本文提出的方法MaKEr(用于基于元学习的知识外推),并将其与基线进行比较,以显示该模型的有效性。
1、如下表结果所示,本文提出的MaKEr在不同的基线上实现了改进,并且使用不同的KGE方法具有稳定的性能。
论文&&源码
Code:https://github.com/zjukg/MaKEr
往期推荐
欢迎投稿邮箱:pet@openmpc.com参与更多讨论,请添加小编微信加入交流群