分类法是一种层次结构的知识图谱,在机器智能中起着至关重要的作用。分类法扩展任务旨在为现有分类法中的新术语找到一个位置,以捕获世界上正在出现的知识,并保持分类法的动态更新。以往的分类法扩展解决方案忽略了层次结构所带来的有价值的信息,只评估了增加的一条边的正确性,从而将问题降级为节点对评分或小路径分类。在本文中,我们提出了层次扩展框架(HEF),充分利用层次结构的特性,最大限度地提高扩展分类的一致性。HEF在多个方面利用了分类法的层次结构: (i) HEF利用包含相关节点最多的子树作为自监督数据,对亲兄弟关系进行完整的比较; (ii) HEF采用一致性建模模块,通过整合hypernymy关系检测和多个树独占特征来评估分类子树的一致性; iii) HEF引入了位置选择的拟合得分,明确评价路径选择和水平选择,并充分利用亲代关系交换信息进行消歧和自我修正。大量的实验表明,通过更好地利用层次结构和优化分类法的一致性,HEF在三个基准数据集上的准确率平均提高了46.7%,平均倒数排名提高了32.3%。

https://www.zhuanzhi.ai/paper/adeba9959c7b75259d5b83a0e99d79e2

成为VIP会员查看完整内容
15

相关内容

专知会员服务
32+阅读 · 2021年3月7日
专知会员服务
16+阅读 · 2021年2月17日
【WWW2021】用于常识知识提取的高级语义
专知会员服务
11+阅读 · 2021年2月16日
【AAAI2021】时间关系建模与自监督的动作分割
专知会员服务
36+阅读 · 2021年1月24日
【WSDM2021】通过学习中间监督信号改进多跳知识库问答
专知会员服务
10+阅读 · 2021年1月14日
【AAAI2021】利用先验知识对场景图进行分类
专知会员服务
60+阅读 · 2020年12月3日
【WSDM2021】弱监督下的分层元数据感知文档分类
专知会员服务
10+阅读 · 2020年11月16日
结合弱监督信息的凸聚类
计算机研究与发展
6+阅读 · 2017年8月30日
Arxiv
0+阅读 · 2021年3月27日
Contrastive Representation Distillation
Arxiv
5+阅读 · 2019年10月23日
Knowledge Distillation from Internal Representations
Arxiv
4+阅读 · 2019年10月8日
Deep Learning
Arxiv
6+阅读 · 2018年8月3日
Arxiv
8+阅读 · 2018年5月15日
Arxiv
3+阅读 · 2018年3月22日
VIP会员
相关论文
Arxiv
0+阅读 · 2021年3月27日
Contrastive Representation Distillation
Arxiv
5+阅读 · 2019年10月23日
Knowledge Distillation from Internal Representations
Arxiv
4+阅读 · 2019年10月8日
Deep Learning
Arxiv
6+阅读 · 2018年8月3日
Arxiv
8+阅读 · 2018年5月15日
Arxiv
3+阅读 · 2018年3月22日
微信扫码咨询专知VIP会员