Knowledge graph embedding aims to learn distributed representations for entities and relations, and is proven to be effective in many applications. Crossover interactions --- bi-directional effects between entities and relations --- help select related information when predicting a new triple, but haven't been formally discussed before. In this paper, we propose CrossE, a novel knowledge graph embedding which explicitly simulates crossover interactions. It not only learns one general embedding for each entity and relation as most previous methods do, but also generates multiple triple specific embeddings for both of them, named interaction embeddings. We evaluate embeddings on typical link prediction tasks and find that CrossE achieves state-of-the-art results on complex and more challenging datasets. Furthermore, we evaluate embeddings from a new perspective --- giving explanations for predicted triples, which is important for real applications. In this work, an explanation for a triple is regarded as a reliable closed-path between the head and the tail entity. Compared to other baselines, we show experimentally that CrossE, benefiting from interaction embeddings, is more capable of generating reliable explanations to support its predictions.


翻译:知识嵌入图旨在学习实体和关系分布式的表达方式,并且在许多应用中证明是有效的。交叉互动 -- -- 实体和关系之间的双向效应 -- -- 在预测新的三重数据时帮助选择相关信息,但之前还没有正式讨论过。在本文中,我们建议CrossE,这是一个新的知识嵌入图,明确模拟交叉互动。它不仅像以前大多数方法一样,为每个实体了解一个普通嵌入方式和关系,而且为它们产生多个三重特定嵌入,称为互动嵌入。我们评估典型链接预测任务中的嵌入,发现CrossE在复杂和更具挑战性的数据集中取得了最新结果。此外,我们从新角度评价嵌入 -- -- 解释预测的三重,这对真正的应用很重要。在这项工作中,三重被视作头和尾实体之间的可靠封闭路径。与其他基线相比,我们实验显示CrossE从互动嵌入中受益,更有能力产生可靠解释来支持其预测。

7
下载
关闭预览

相关内容

因果图,Causal Graphs,52页ppt
专知会员服务
206+阅读 · 2020年4月19日
17篇知识图谱Knowledge Graphs论文 @AAAI2020
专知会员服务
153+阅读 · 2020年2月13日
17篇必看[知识图谱Knowledge Graphs] 论文@AAAI2020
Hierarchically Structured Meta-learning
CreateAMind
16+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
13+阅读 · 2019年5月18日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
论文浅尝 | Interaction Embeddings for Prediction and Explanation
开放知识图谱
11+阅读 · 2019年2月1日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
10+阅读 · 2018年12月24日
论文浅尝 | Leveraging Knowledge Bases in LSTMs
开放知识图谱
5+阅读 · 2017年12月8日
可解释的CNN
CreateAMind
16+阅读 · 2017年10月5日
Arxiv
12+阅读 · 2019年9月11日
Arxiv
10+阅读 · 2019年2月26日
Arxiv
6+阅读 · 2018年8月28日
Arxiv
28+阅读 · 2018年4月6日
Arxiv
7+阅读 · 2018年3月21日
VIP会员
相关VIP内容
因果图,Causal Graphs,52页ppt
专知会员服务
206+阅读 · 2020年4月19日
17篇知识图谱Knowledge Graphs论文 @AAAI2020
专知会员服务
153+阅读 · 2020年2月13日
Top
微信扫码咨询专知VIP会员