摘要
其他人正在查看的类似内容
关键词
1 引言
-
我们提出了一种融合结构化信息和类型信息的新方法。 我们从实体类型构造了多种类型的关系,并设计了基于类型的语义相似度,用于多种嵌入表示和先验知识发现。 -
我们提出了一个多重嵌入模型,将每个实体表示为具有特定语义的多个向量。 -
我们根据KG中三元组元素之间的语义相似性估计实体和关系预测的先验概率。
2 相关工作
三 方法
3.1 概述
3.2 基于类型的语义相似度
3.3 多个嵌入表示
3.4 先验概率估计
3.5 负采样的目标函数
4 实验
4.1 实体预测
-
1 TransT在WN18上显著优于所有基线。 在FB15K上,TransT在过滤器设置方面明显优于所有基线。 这表明我们的方法成功地利用了类型信息,与单个实体向量的线性变换相比,多个实体向量可以更准确地捕捉每个实体的不同语义。 -
2 与基线相比,TransT在FB15K上的原始和过滤器设置结果之间的差异最大。 这表明TransT将更正确的三元组排在原始三元组之前。 这是由TransT的先验估计引起的。 具体来说,如果预测的元素是原始三元组的头部,那么这些正确的三元组具有相同的关系和尾部。 因此,当我们从训练集中学习先验知识时,这些正确三元组的头部实体与原始三元组头部实体的语义相似性高于其他三元组。 TransT利用这些相似性来估计导致相似实体排名更高的先验概率。 事实上,这种现象表明先验概率提高了预测性能。 -
三。 WN18上“原始”和“过滤器”设置的结果与FB15K相比差异较小。 原因是WN18中基于类型的先验知识比FB15K中的更准确。 具体来说,WN18包括4种意义简单的类型:名词、动词、形容词和副词。 此外,WN18中的实体只能有一个类型。 因此,WN18中的类型具有更强的区分不同实体的能力。 -
4 多向量表示和类型信息这两种方法都有各自的优点。 类型信息在原始设置中表现得更好,而多向量表示在过滤器设置中表现的更好。
4.2 关系预测
-
1 TransT显著优于所有基线。 与同样利用类型信息的TKRL相比,TransT改进了 命中@1 3.5%,平均等级0.88。 -
2 在“原始”设置中,TransT也可以实现最佳性能。 此结果与实体预测任务不同。 原因是对关系预测有更多的先验知识。 在实体预测任务中,先验知识来源于关系。 在关系预测任务中,先验知识是从头部和尾部实体中获得的。 后者有更多的先验估计来源。 因此,TransT将更多错误的三元组排在原始三元组之后。 这进一步支持了先验概率的必要性。
4.3 三重分类
4.4 语义向量分析
5 结论
工具书类
Bizer,C.,Lehmann,J.,Kobilarov,G.,Auer,S.,Becker,C.,Cyganiak,R.,Hellmann,S.:DBpedia——数据网络的结晶点。 J.Web Semant公司。 7 (3), 154–165 (2009) Bollacker,K.D.,Evans,C.,Paritosh,P.,Sturge,T.,Taylor,J.:Freebase:一个合作创建的用于构建人类知识的图形数据库。 在:ACM SIGMOD国际数据管理会议记录(SIGMOD),第1247-1250页(2008) Bordes,A.、Usunier,N.、GarcíA-DuráN,A.、Weston,J.、Yakhnenko,O.:为多关系数据建模翻译嵌入。 摘自:神经信息处理系统进展26(NIPS),第2787-2795页(2013) Carlson,A.,Betteridge,J.,Kisiel,B.,Settles,B.,Hruschka Jr.,E.R.,Mitchell,T.M.:走向永无止境的语言学习架构。 摘自:第二十四届AAAI人工智能会议记录(2010年) Dong,X.,Gabrilovich,E.,Heitz,G.,Horn,W.,Lao,N.,Murphy,K.,Strohmann,T.,Sun,S.,Zhang,W.:知识库:概率知识融合的网络规模方法。 摘自:第20届ACM SIGKDD知识发现和数据挖掘国际会议(KDD),第601-610页(2014) Drumond,L.,Rendle,S.,Schmidt-Thieme,L.:用张量因式分解预测不完备知识库中的RDF三元组。 摘自:ACM应用计算研讨会(SAC)会议记录,第326–331页(2012年) García-Durán,a.,Bordes,a.,Usunier,n.:有效混合双向和三向交互,用于建模多关系数据。 收录人:Calders,T.、Esposito,F.、Hüllermier,E.、Meo,R.(编辑)ECML PKDD 2014。 LNCS(LNAI),第8724卷,第434-449页。 斯普林格,海德堡(2014)。 https://doi.org/10.1007/978-3-662-44848-9_28 Gardner,M.,Mitchell,T.M.:使用子图特征提取实现高效且富有表现力的知识库。 摘自:《2015年自然语言处理实证方法会议论文集》,第1488-1498页(2015) He,S.,Liu,K.,Ji,G.,Zhao,J.:学习用高斯嵌入表示知识图。 收录于:第24届ACM信息与知识管理国际会议论文集,第623–632页(2015) Hjort,N.L.,Holmes,C.,Müller,P.,Walker,S.G.:贝叶斯非参数学,第28卷。 剑桥大学出版社,剑桥(2010) Jaccard,P.:《阿尔卑斯山地区分布:dans le Bassin des dranses et dans quelques régions voisens》。 红色(1901) Ji,G.,Liu,K.,He,S.,Zhao,J.:使用自适应稀疏传输矩阵完成知识图。摘自:第三十届AAAI人工智能会议论文集,第985–991页(2016) Jia,Y.,Wang,Y.、Lin,H.、Jin,X.、Cheng,X.:知识图嵌入的局部自适应翻译。 摘自:第三十届AAAI人工智能会议(AAAI)会议记录,第992-998页(2016年) Krompaß,D.,Baier,S.,Tresp,V.:知识图中的类型约束表示学习。 摘自:Arenas,M.等人(编辑)ISWC 2015。 LNCS,第9366卷,第640-655页。 查姆施普林格(2015)。 https://doi.org/10.1007/978-3-319-25007-6_37 Lao,N.,Mitchell,T.M.,Cohen,W.W.:大规模知识库中的随机行走推理和学习。 摘自:《2011年自然语言处理实证方法会议论文集》,第529-539页(2011年) Lin,Y.、Liu,Z.、Sun,M.、Liu、Y.、Zhu,X.:用于知识图完成的学习实体和关系嵌入。 摘自:第二十届AAAI人工智能会议记录,第2181–2187页(2015) Long,T.,Lowe,R.,Cheung,J.C.K.,Precup,D.:利用词汇资源在多关系数据中嵌入学习实体。 摘自:计算语言学协会(ACL)第54届年会会议记录,短文,第2卷(2016) Mikolov,T.、Sutskever,I.、Chen,K.、Corrado,G.S.、Dean,J.:单词和短语的分布式表示及其组成。 摘自:神经信息处理系统进展26(NIPS),第3111-3119页(2013) Nickel,M.,Jiang,X.,Tresp,V.:通过包含可观察模式来降低关系因子化模型中的秩。 在:神经信息处理系统进展27(NIPS),第1179-1187页(2014) Nickel,M.,Rosasco,L.,Poggio,T.A.:知识图的全息嵌入。 摘自:《第三十届AAAI人工智能会议论文集》,第1955-1961页(2016) Nickel,M.,Tresp,V.,Kriegel,H.:多关系数据集体学习的三方模型。 摘自:第28届机器学习国际会议(ICML)会议记录,第809–816页(2011年) Shi,B.,Weninger,T.:项目E:嵌入投影以完成知识图。 摘自:《第三十届AAAI人工智能会议论文集》,第1236–1242页(2017年) Socher,R.,Chen,D.,Manning,C.D.,Ng,A.Y.:用神经张量网络进行推理以完成知识库。 摘自:神经信息处理系统进展26(NIPS),第926–934页(2013) Trouillon,T.、Welbl,J.、Riedel,S.、Gaussier,E..、。, Bouchard,G.:简单链接预测的复杂嵌入。 摘自:第33届机器学习国际会议(ICML)会议记录,第2071–2080页(2016) 维基数据:一个新的协作数据收集平台。 收录于:《第21届万维网大会(WWW)会议记录》,附卷,第1063–1064页(2012年) Wang,Z.,Zhang,J.,Feng,J.、Chen,Z.:通过在超平面上平移来嵌入知识图。 摘自:《第二十届AAAI人工智能会议论文集》,第1112-1119页(2014年) Xiao,H.,Huang,M.,Meng,L.,Zhu,X.:SSP:嵌入文本描述的知识图的语义空间投影。 在:第三十一届AAAI人工智能会议论文集,第3104–3110页(2017) Xiao,H.,Huang,M.,Zhu,X.:从一点到流形:用于精确链接预测的知识图嵌入。 摘自:第二十五届国际人工智能联合会议(IJCAI)会议记录,第1315–1321页(2016) Xiao,H.,Huang,M.,Zhu,X.:TransG:知识图嵌入的生成模型。 摘自:计算语言学协会(ACL)第54届年会会议记录,长篇论文,第1卷(2016年) Xie,R.,Liu,Z.,Jia,J.,Luan,H.,Sun,M.:具有实体描述的知识图的表示学习。 摘自:《第三十届AAAI人工智能会议论文集》,第2659–2665页(2016) Xie,R.,Liu,Z.,Sun,M.:具有层次类型的知识图的表示学习。 载:《第二十五届国际人工智能联合会议论文集》,第2965–2971页(2016)
鸣谢
作者信息
作者和附属机构
通讯作者
编辑器信息
编辑和附属机构
权利和权限
版权信息
关于本论文
引用本文
下载引文
内政部 : https://doi.org/10.1007/978-3-319-71249-9_43 出版 : 发布者名称 : 查姆施普林格 打印ISBN : 978-3-319-71248-2 在线ISBN : 978-3-319-71249-9