怎么做网站加盟,微网站如何制作,顺企网查企业电话,网站功能板块链接#xff1a;http://cn.arxiv.org/pdf/1808.09040动机如今的知识图谱规模很大但是完成度不高#xff0c;long-tail关系在知识图谱中很常见#xff0c;之前致力于完善知识图谱的方法对每个关系都需要大量的训练样本#xff08;三元组#xff09;#xff0c;而新加入的关… 链接http://cn.arxiv.org/pdf/1808.09040动机如今的知识图谱规模很大但是完成度不高long-tail关系在知识图谱中很常见之前致力于完善知识图谱的方法对每个关系都需要大量的训练样本三元组而新加入的关系其样本数量通常不是很多。为解决这个问题本文提出了one-shot场景下的关系学习模型该模型通过学习实体的embedding和相应的局部图结构来获得一个匹配度量函数最终推导出新的三元组。亮点本文提出的模型有以下亮点1只依赖于实体的embedding和局部图结构之前的方法依赖于关系的良好表示2一旦训练完成便可以预测任何关系之前的方法需要微调来适应新的关系概念本文主要针对(h,r,?)类型的推测即从候选集合中选出最合适的t来构造新的三元组(h,r,t)主要符号含义如下 • G{(h,r,t)}即原始KG三元组集合• 对应于G中的一个关系任务每个 T_r 中所有三元组的r相同• 任务集合• 只含有一个三元组(h_0,r,t_0)• C_(h_i,r) 为候选t集合• GG的子集作为背景知识模型本文的模型由两部分组成:1 Neighbor Encoder该模块利用局部图结构对h,t实体对进行编码首先对任意h/t构建其one-hop Neighbor set N_e再利用Encoding function f(N_e)编码最后将 h 和 t 的编码连接起来便得到(h,t)实体对的表示f(N_e )形式如下 2 Matching processor对于候选集 C_(h_i,r) 中的每一个 t_(i,j)利用LSTM计算 (h_i,t_(i,j)) 和 (h_0,t_0) 的相似度相似度最高的 t_(i,j) 即为 (h_i,r) 对应的t迭代过程如下 实验 ⑴数据集本文的两个数据集NELL-One和Wiki-One是作者分别基于NELL和Wikidata构建选取其中三元组数量在50~500之间的关系。⑵实验结果作者将本文提出的模型GMatching与之前基于embedding的模型在NELL-One和Wiki-One两个数据集上进行了比较结果显示该模型各项指标均优于之前的模型。总结 本文提出的模型利用实体的局部图结构以及学习度量来匹配实体对一经训练可以直接适用于预测任何关系并在one-shot场景下表现出优越性能。 论文笔记整理杨帆浙江大学硕士研究方向为知识图谱、自然语言处理。 OpenKG.CN中文开放知识图谱简称OpenKG.CN旨在促进中文知识图谱数据的开放与互联促进知识图谱和语义技术的普及和广泛应用。点击阅读原文进入 OpenKG 博客。
