VIP内容

知识图谱(KG)补全被广泛研究,以解决现代知识图谱中的不完整性问题(即缺少事实)。知识图谱中的一个事实被表示为一个三元组(ℎ,𝑟,𝑡),通过一个关系𝑟连接两个实体ℎ和𝑡。现有的工作主要考虑链接预测来解决这个问题,即给定一个三元组中的两个元素来预测缺失的那个元素,例如(ℎ,𝑟,?)然而,这项任务对三元组中的两个给定元素有一个强有力的假设,这两个元素必须是相关的,否则就会导致毫无意义的预测,例如(居里夫人,总部的位置,?)此外,KG补全问题也被表述为一个关系预测任务,即预测给定实体ℎ的关系𝑟。在没有预测𝑡的情况下,这项任务离完成KG的最终目标还有一步之遥。在此背景下,本文研究了一个实例完成任务,为给定的ℎ提出了𝑟-𝑡对,即(ℎ,?,?)我们提出了一个端到端解决方案,称为RETA(因为它暗示了给定头部实体的关系和尾部),由两个组件组成:RETA- filter和RETA- grader。更准确地说,我们的RETA-Filter首先通过提取和利用KG的模式为给定的ℎ生成候选的𝑟-𝑡对;然后,我们的RETA-Grader使用一个新设计的KG嵌入模型,考虑候选三元组及其对应模式的可信性,对候选𝑟-𝑡对进行评估和排名。我们在三个真实世界的KG数据集上评估我们的方法与相当数量的先进技术的收集。结果表明,我们的RETA-Filter生成了高质量的候选𝑟-𝑡对,在相同的候选质量保证下,候选数量减少了10.61%-84.75%,优于最佳基准技术。此外,我们的RETA-Grader在实例完成任务上也显著优于最先进的链接预测技术,在不同的数据集上提高了16.25%- 65.92%。

https://exascale.info/assets/pdf/rosso2021www.pdf

成为VIP会员查看完整内容
0
9
Top