用于知识图完成的注意路径组合
蒋晓天、王全、齐宝元、邱永勤、李鹏、王斌
第九届亚洲机器学习会议记录,PMLR 77:590-6052017年。
摘要
知识图(KG)通常非常不完整,因此需要完成KG。基于路径的关系推理是完成这项任务的最重要方法之一。传统方法将实体对之间的每条路径视为一个原子特征,从而导致稀疏性。最近,神经网络模型通过将路径分解为路径中的关系序列来解决此问题,然后使用递归神经网络(RNN)体系结构对路径表示进行建模。在实体对之间存在多条路径的情况下,最先进的神经模型要么只选择一条路径,要么使用简单的得分池方法,如Top-K、Average、LogSumExp。不幸的是,这些方法都无法对只能通过综合考虑多个信息路径来推断关系的场景进行建模。本文提出了一种新的基于路径的关系推理模型,该模型通过注意路径组合学习实体对表示。给定一个实体对和连接该实体对的一组路径,我们的模型允许集成来自每个信息路径的信息,并为每个查询关系形成动态实体对表示。我们在真实数据集上对该方法进行了实证评估。实验结果表明,该模型比现有的基于路径的关系推理方法具有更好的性能。
引用本文
相关材料