365体育网址但准确率与召回率相比较嵌入式表示学习的主意存在劣势,句法依存树在论及分类的任务上是很有价值的

作者:整理2016-二零一七年ACL、EMNLP、SIGIR、IJCAI、AAAI等国际资深会议中实体关系推理与知识图谱补全的相关散文,供自然语言处理钻探人口,尤其知识图谱领域的大方参考,如有错误明白之处请提出,不胜感激!(如需转载,请联系自身:jtianwen2014,并注明出处

作者:整理2016-二零一七年ACL、EMNLP、SIGIR、IJCAI、AAAI等国际资深会议中实体关系推理与学识图谱补全的相关杂文,供自然语言处理研讨人口,尤其知识图谱领域的我们参考,如有错误领悟之处请提出,不胜感激!(如需转载,请联系自身:jtianwen2014,并注明出处

ISGIR 2016

EMNLP 2016

Hierarchical Random Walk Inference in Knowledge Graphs

  • 作者:Qiao Liu, Liuyi Jiang, Minghao Han, Yao Liu, Zhiguang Qin
  • 机构:School of Information and Software Engineering, University
    of Electronic Science and Technology of China

——–随笔掠影——–

正文面向的职责是依据知识图谱的关系推理。本文通过对照考察PRA方法和TransE方法在关系推理上的执行职能并分析原因,在PRA基础上提出层次的任意游走算法HiRi举办实体关系推理。

正文首先叙述了基于知识图谱的关系推理的相关工作,大体分为两种模式:首先是总计关系学习方法(SRL),如马尔科夫逻辑网络、贝叶斯网络,但这类方发需要统筹相应的规则,因此尚未很好的增添性和泛化性;嵌入式表示的办法,意在将实体和涉及映射为空间中的向量,通过空中中向量的运算来进展推导(如TransE),该办法得到了较好的准确率,但分布式表示的解释性不强,此外,较难落实并行总结;基于关系路径特征的即兴游走模型,该方法可以举办并行统计,具有较好的执行效率,但准确率与召回率相比较嵌入式表示学习的模式存在劣势。正文的想法是:是否可以计划算法同时落实自由游走模型的履行效率以及保留嵌入式表示学习方法的准确率?

——–方法介绍——–

本文对TransE方法(嵌入式表示学习的表示)和PRA方法(随机游走模型的象征)举行相比较,在一对多、一对一、多对多、多对一那四类关系上举行对照分析:

365体育网址 1

相对而言发现:在1:M关系上,PRA远不如TransE;但在M:1涉及上,两者很相近。有此现象,本文的第一个假诺认为可以将文化图谱看做无向图,以此来逃避1:M关系上的弱势。

其余,PRA方法在M:M关系上也只达到了TrasnE方法效果的一半,本文认为这注解了PRA在多对多涉及上抽取的不二法门特征并从未充裕地使用多对多涉及暴发的簇中的总是新闻(文中有举例表明这或多或少)。相相比较而言,嵌入式学习的方法由于将知识图谱全局音讯编码到向量空间里,所以可以充足利用到这种消息。

在使用多对多推理关系时,平时会用到事关的反向,即从尾实体到头实体的来头,那种推离的措施可以选择odd-hop随机游走模型来建模,基于此本文的第二个假使是:拥有拓扑结构的涉嫌明确的簇可能会含有对推理很有帮带的信息,那么,基于关系学习算法的随意游走可以增强推理能力。 

本文指出了一种层次化推理的架构,共分为七个部分:全局推理、局部推理、推理结果融合,结构框图如下:

365体育网址 2

全局推理是拔取PRA算法举行推导,以博得三元组创制的票房价值\(f(h,r_i,t)\);一些推理时在特定关系的子图(簇)上测算一个3跳的票房价值矩阵,以得到存在或者该关系的三元组概率\(g(h,r_i,t)\),由于是在一个簇上举行的,这是一个部分的演绎。众人拾柴火焰高的经过是拔取一个线性模型对两局部的概率融合,以取得终极的几率。

笔者:本文通过分析PRA与TransE的在不同系列涉及上的差距,指出了六个比方,并在此基础上指出层次化的推理方法HiRi,即在全局和一些分别展开关联推理,最终融合在共同拿到推理结果。本文在第二个比方的指出上未曾交给太多显然的分解,所举的例证和该假若的指出在力促关系上有些牵强,笔者未理清思路。另外,3跳的原由是否来自于“关系-关系反向-关系”路径,即3跳回到原关系?对于假若一,将涉及作为无向的,会带来怎么样不良后果?前人是否有这方面的追究?

A Position Encoding Convolutional Neural Network Based on Dependency Tree for Relation Classification

  • 作者:Yunlun Yang, Yunhai Tong, Shulei Ma, Zhi-Hong Deng
  • 机构:School of Electronics Engineering and Computer Science,
    Peking University

本文的职责为涉及分类,即对于给定句子中的给定实体对进展关联分类。本文叙述,传统风味选拔的章程严重倚重于特征的身分以及词语资源,为了达到最优往往需要耗时的人工拔取特征子集。基于核函数的不二法门尽管不要采纳特征,但仍需精心设计的核函数并兼有较大的精打细算开销。如今,随着神经网络的起来,深度学习所提供的端到端的方法被拔取于广大经文的自然语言处理问题。RNN和CNN已经被申明对关联分类具有极大襄助。

只是,一些探讨工作讲明传统的特性对于涉及分类的神经网络方法仍有增高效率,能够提供更多的音讯。一个简便而有效的法子是将词语级的表征和神经网络获取的表征简单构成(一般是连接起来),组合后的意味输入到分类器。另一种更加错综复杂的主意是依照句子的句法依存树调整神经网络的协会,取得了较好的机能。

正文认为,句法依存树在论及分类的职责上是很有价值的。正文发现实体对间的并存路径对涉嫌分类更有价值,相比较于全体句子的存活路径,由于其存世路径的相距往往小于句子的水土保持路径距离,剪枝后的实业间依存路径缩小了累累噪信息息。为了更好的施用句法依存所提供的言语学文化,本文指出了据悉句法依存树和的职务编码卷积神经网络方法PECNN。方法的经过图如下:

365体育网址 3 

各样词的代表由两片段组成:词向量、该词的依存树地方特征。岗位特征的得到首要思想是将离散的职务映射到实数向量,它和词向量相似,只不过是将词替换为离散的距离。本文指出了二种格局来定义依存树中的地点特征TPF1、TPF2。TPF1远距离定义为近日词到对象实体的最短路径中依存弧的个数,映射模式和PF相同,即不同的离开随机起始化一个原则性维度的向量,练习的过程中学习。一个词到实体的最短路径可以分开为六个子路径:被压低祖先节点分割,TPF2则将距离用二元组表示,分别代表六个子路径的尺寸。下图是逐一词语到实体Convulsions的TPF1与TPF2:

365体育网址 4 

非凡的CNN的一个卷积窗口每便拿到当前词的接近上下文词语作为输入,在本文中为了丰富利用树结构音信,本文将眼前词的父节点和子节点作为作为其临近上下文输入到卷积窗口,相应的正文对卷积核也做了改动,行使了二种卷积核:Kernel-1、Kernel-2,具体定义见杂文。其中Kernal-1意在从依存树中多层次抽取特征,而Kernel-2专注于发掘共享父节点的词之间的语义音讯。多个核函数的大小均取3。最终将Kernel-1、Kernel-2分别池化并拼接在一道作为CNN输出。

作者:本文利用卷积神经网络对实业关系进展分拣,立异性地将依存树作为输入,将词在树中的地点信息嵌入式表示并拼接到词向量中协同学习,同时,本文对CNN面向树结构设计了异样的卷积核。本文指出的点子在实业关系分类任务上,相相比较于未使用地点新闻的CNN和LSTM取得了进一步提升。在试行中本文也将POS等特点融入PECNN,也得到了较好的结果。但文中似乎未深究卷积核设计对结果的熏陶,面向树结构的卷积核的设计是否是本文独立提议的?读者可参考文中参考文献探寻一下。

IJCAI 2016

Jointly Embedding Knowledge Graphs and Logical Rules

  • 作者:Shu Guo, Quan Wang, Lihong Wang§, Bin Wang, Li Guo
  • 机构:Institute of Information Engineering, Chinese Academy of
    Sciences

正文的职责为文化图谱表示学习,本文提议逻辑规则包含丰裕的背景消息,但始终不曾很好的在文化图谱表示学习的职责上被探究。本文提议KALE的措施,将文化图谱与逻辑规则举行协同嵌入表示学习。

事先有专家同时使用知识表示方法和逻辑规则,但双边是分开建模的,这也使得尚未取得更好的嵌入式表示。Rocktaschel
et al.
(2015)
提议一起模型将一阶逻辑融入嵌入式表示,但这项工作专注于关系分类,对实体对举办停放表示仅创立一个向量表示,而不是实业拥有各自的象征。

KALE方法可分为多少个部分:三元组建模、逻辑规则建模,以及一起学习。一个整机的主意框图如下图所示:

365体育网址 5 

对此三元组建模部分应用简便的翻译模型(TransE衍生)完成,具体的打分函数如下:

\[I(e_i, r_k, e_j)=1-\frac {1}{s\sqrt
{d}}||\mathbf{e}_i+\mathbf{r}_k-\mathbf{e}_j||_1\]

对于逻辑规则建模部分,本文使用t-norm模糊逻辑(t-norm fuzzy
logics),本文首要考虑两种档次的逻辑:第一类是:\(\forall x,y: (x,r_s,y)\Rightarrow
(x,r_t,y)\),给定\(f\triangleq
(e_m,r_s,e_n)\Rightarrow
(e_m,r_t,e_n)\),置信度的揣摸如下:

\[I(f)=I(e_m,r_s,e_n)\cdot
I(e_m,r_t,e_n)-I(e_m,r_s,e_n)+1\]

其中,\(I(\cdot ,\cdot
,\cdot)\)是三元组建模时的置信度函数。

其次类是:\(\forall x,y,z:
(x,r_{s1},y)\land (y,r_{s2},z)\Rightarrow
(x,r_t,z)\),给定\(f\triangleq
(e_l,r_{s1},e_m)\land (e_m,r_{s2},e_n)\Rightarrow
(e_l,r_t,e_n)\),置信度的总括如下:

\[I(f)=I(e_l,r_{s1},e_m)\cdot
I(e_m,r_{s2},e_n)\cdot I(e_l,r_t,e_n)-I(e_l,r_{s1},e_m)\cdot
I(e_m,r_{s2},e_n)+1\]

共同学习的过程一样是时整治三元组的置信度远不止负例三元组的置信度。

值得注意的是,即使规则唯有二种,但为了利用于实际必须找到规则的涉嫌实例,为了化解人工的下压力,本文使用了半活动的艺术协会规则关系实例。其方法是,率先应用TransE学习到实体和关系的象征,为可能存在这多少个逻辑规则的实业关系总结置信度,然后开展排序,进而选用符合逻辑规则的实业关系实例。一些实例如下:

365体育网址 6 

笔者:本文提议将逻辑规则融入文化图谱嵌入式表示学习的主意,并且逻辑规则和三元组的上学是共同举办的。方法提高的瓶颈似乎在逻辑规则的选项与实例的协会上,本文使用了本机关的艺术构建,虽然这一部分并非本文重点,但真的该方法是够有效可以行使于周边知识图谱的基本点,本文对FB15K构建了47个规则实例,但对此广大知识图谱这些规则还远远不够,这种规则的办法存在移植性的题材,是否足以考虑采纳随机游走获取此类逻辑规则,类似PRA中采取的法门。此外,将涉嫌路径融入表示学习的方法和本文的不二法门相比类似,实质上都是采取关系路径去演绎关系。

From One Point to A Manifold: Knowledge Graph Embedding For Precise Link Prediction

  • 作者:Han Xiao, Minlie Huang, Xiaoyan Zhu
  • 机构:Dept. of Computer Science and Technology, Tsinghua
    University

——–随想掠影——–

正文指出:现阶段已有的文化表示学习格局无法实现规范链接预测,本文认为有三个原因导致了这一情形的产出:ill-posed
algebraic problem
adopting an overstrict geometric form

其中,ill-posed algebraic
problem指的是:一个方程组中的方程式个数远超过变量个数。本文以翻译模型为代表叙述这一题材。翻译的目标是,对知识库的三元组的嵌入式表示满足\(\boldsymbol {\rm
{h_r+r=t_r}}\),尽管三元组的数据为\(T\),嵌入式表示的维度为\(d\),那么一共有\(T*d\)个方程式,而所需要学习的变量一共有\((E+R)*d\),其中\(E,R\)表示实体和涉及项目标数码。由于三元组的数码远大于实体和关联项目标数额,那么这种翻译模型存在严重的ill-posed
algebraic problem问题。

对于一个ill-posed
algebraic系统,所求得的解平时是不精确且不稳定的
,这也多亏以往艺术无法进展精确链接预测的原委之一。为此,本文提议一个依据流形(manifold)的尺度,用\(\mathcal{M}(\boldsymbol {\rm
{h,r,t}})=D_r^2\)用来顶替\(\boldsymbol {\rm
{h_r+r=t_r}}\),其中\(\mathcal{M}\)是流形函数。

除此以外,对于TransE的不二法门,对于给定的头实体和关系,应用于\(\boldsymbol {\rm
{h+r=t}}\),所收获的尾实体几乎是一个点,这对于多对多涉及而言肯定是不得法的,这是一种overstrict
geometric
form。前人的一部分措施如TransH、TransR将实体和关系映射到有的与涉及相关的子空间中来缓解这一问题,可是,那种题材在子空间中如故存在。这种过于严俊的样式或促成引入大量的噪音元素,在链接预测的进程中不能精确预测。

如下图所示,越临近圆心组成正确三元组的可能性越大,绿色为不易的答案,红色为噪声,其中TransE的不二法门不能很好地分别,而本文指出的ManifoldE可以很好的界别噪声数据。

365体育网址 7

——–方法介绍——–

本文指出用\(\mathcal{M}(\boldsymbol {\rm
{h,r,t}})=D_r^2\)用来取代\(\boldsymbol {\rm
{h_r+r=t_r}}\),其中\(\mathcal{M}\)是流形函数。打分函数定义为:

\[f_r(h,t)=||\mathcal{M}(h,r,t)-D_r^2||^2\]

对于\(\mathcal{M}\)的定义,其中一种以球体为流形。即对于给定头实体和涉及项目,尾实体在向量空间中遍布在以\(\boldsymbol {\rm
{h+r}}\)为球心的球面上,此时:

\[\mathcal{M}(h,r,t)=||\boldsymbol {\rm
{h+r-t}}||_2^2\]

此处的向量可以利用Reproducing Kernel Hilbert Space
(RKHS)映射到Hilbert空间,以更迅捷地特色流形。

365体育网址 8

考虑到球体不易相交,而这也许导致有的实体的损失,本文叙述可以以超平面为流形。即对于给定头实体和关系项目,尾实体位于以\((\boldsymbol {\rm {h+r_{head}}})^{\rm
{T}}\)为主旋律、偏移量与\(D_r^2\)相关的超平面上。在上空中,只要四个法向量不平行,这六个超平面就会有相交。流形函数定义如下:

\[\mathcal{M}(h,r,t)=(\boldsymbol {\rm
{h+r_{head}}})^{\rm {T}}(\boldsymbol {\rm {t+r_{tail}}})\]

本文叙述为了扩大给定头实体和关系推理出确切的尾实体数量,对向量绝对值化:

\[\mathcal{M}(h,r,t)=|\boldsymbol {\rm
{h+r_{head}}}|^{\rm {T}}|\boldsymbol {\rm {t+r_{tail}}}|\]

其中,\(|\boldsymbol {\rm
{w}}|=(|w_1|,|w_2|,|w_3|,…,|w_n|)\)。

对于过去艺术存在的ill-posed问题,本文的点子对其较好地解决。以球形为例,本文对于每个三元组只对应一个等式:\(\sum_{i=1}^{d}(h_i+r_i-t_i)^2=D_r^2\),所以只要满意\(d\geq \frac {\#Equation}{E+R}=\frac
{T}{E+R}\)。要满足这一尺度只需适当扩张向量的维度,从而较好的落实规范预测。

教练的经过是扩充正例的分数,而减小负例的分数,目的函数如下:

\[\mathcal{L}=\sum_{(h,r,t)\in
\Delta}\sum_{(h’,r’,t’)\in \Delta
‘}[f_r'(h’,t’)-f_r(h,t)+\gamma]_+\]

实验结果呈现该办法较好的贯彻了纯正链接预测(hit@1):

365体育网址 9

作者:本文指出此前的表示学习不可以较好的贯彻规范链接预测,并提议造成该问题的两点原因:ill-posed
algebraic problem
adopting an overstrict geometric
form
,并对准这多少个点问题切中要害提议基于流形的代表学习格局,实验结果展现该方法较好的实现了纯粹链接预测。

Mining Inference Formulas by Goal-Directed Random Walks

  • 作者:Zhuoyu Wei, Jun Zhao and Kang Liu
  • 作者:University of Chinese Academy of Sciences

正文的任务为面向知识图谱的实体关系推理,即利用知识图谱中已有些关乎推理新的涉嫌事实。推理规则对于基于知识图谱的关联推理有着彰着的效用,而人工构造大量的推理规则是不具体的。近年来基于数据驱动的活动挖掘推理规则的措施中,随机游走的艺术被认为最适用于知识图谱。但是,在文化图谱中无目标的独自随机游走挖掘有价值的推理规则的功能较低,甚至会引入误导的推理规则。虽然有些大方指出选用启发式规则指引随机游走,但由于推理规则的多样性,这种方法仍力不从心拿到较好的效能。

针对以上现状,本文提议一种目标指导的演绎规则挖掘算法:在随意游走的每一步使用明确的演绎目的作为方向。具体地,为了达到目标指引的编制,在每一步随机游走的进程中,算法依据最终目的动态地估计走向各类邻居的机要可能性,按照潜在可能性分配游走到各样邻居的几率。比如,当推理“一个人的言语”时,算法更赞成走“国籍”边而非“性别”边。

正文首先想起了基本的用于推理规则挖掘的自由游走算法,其中也事关早期基于枚举的(枚举给定满意关系的实业对里面的持有途径)依照频率总括置信度的推理规则挖掘算法。随机游走算法随机地(概率均等,和出度有关)采用下一跳到达的左邻右舍,而非遍历所有邻居。总之,那种自由游走的算法是独自用目的的。而且,由于随机性,随机游走不可能确保高速低挖掘到目标实体对的路子,甚至引入噪声。为了然决这一题材,PRA引入了启发式的平整:对概率矩阵展开修改,是的邻家的选料并不均等,而是基于到达目的实体的可能性。

为了实现目的引导的妄动游走,本文对给定目的(\(\rho=R(H,T)\))的图景下,对实业\(i\)到\(j\)的连边g(关系\(r\))被挑选的概率定义为:

\[ P_{r_{i,j}}= \begin{cases} \frac
{\Phi (r(i,j),\rho)}{\sum_{k\in Adj(i)}\Phi (r(i,j),\rho)},
&\mbox{}j\in Adj(i)\\ 0, &\mbox{}j\notin Adj(i) \end{cases}
\]

其中,\(\Phi(r(i,j),\rho)\)是在加以目标\(\rho\)情况下,对实体\(i\)到\(j\)的连边被采取的可能性测量。路径的落脚点为\(H\),最后要到达\(T\),游走的过程中递归定义已走路径的似然为:\(P_{pHt}=P_{pHs}\cdot
P_{r_st}\)。似然函数定义为:

\[\rm{max}
P_{\mathbb{P}}=\prod_{pHt\in
\mathbb{P}}P_{pHt}^{a}(1-P_{pHt})^{b+c}\]

其中\(\mathbb{P}\)是随机游走得到的门路集合,\(a,b,c\)分别对应二种情状,a)\(t=T\)且发出不利的演绎规则;a)\(t\not=T\);c)\(t=T\)且发生噪音推理规则;\(a,b,c\)都是0-1值,且每回有且唯有一个为1。将最大化转为最小化\(L_{rw}=-\rm{log}
P_{\mathbb{P}}\),本文中又将该对象函数划分为两有些来测算:\(L_{rw}=L_{rw}^t+\lambda
L_{rw}^{inf}\)。对于一个强烈的路径\(p\),\(L_{rw}\)可以写为:

\[L_{rw}(p)=-y\rm{log}
P_{p}-(1-y)\rm{log} (1-P_{p})\]

\(\Phi(r(i,j),\rho)\)的统计需要融入文化图谱全局的音信,为了减小统计量,本文引入知识图谱的放到表示来总计\(\Phi\):

\[\Phi(r(i,j),\rho)=\Psi(E_{r(i,j)},E_{R(H,T)})\]

其中,\(\Psi(E_{r(i,j)},E_{R(H,T)})=\sigma(E_{r(i,j)}\cdot
E_{R(H,T)})\),\(E_{r(i,j)}=[E_r,
E_j]\),\(E_{R(H,T)}=[E_R,
E_T]\),\(E_r,E_j,E_R,E_T\)代表涉嫌和实体的嵌入式表示。

磨练推理模型的算法如下:

365体育网址 10

最终的推理是应用打分函数,对确定实体对的两样关系展开打分:

\[\mathcal{X}(\rho)=\sum_{f\in
F_{\rho}}\delta(f)\]

其中,\(F_{\rho}\)是随意游走为关联找到的推理规则集合,\(\delta(f)=w_f\cdot
n_f\)。最后本文应用逻辑斯谛回归来对实业关系概率举办测算:

\[P(\rho =
y|\mathcal{X})=\mathcal{F}(\mathcal{X})^y(1-\mathcal{F}(\mathcal{X}))^{1-y}\]

\[\mathcal{F}(\mathcal{X})=\frac{1}{1+e^{-x}}\]

笔者:对于自由游走的无对象指点从而导致推理规则挖掘成效低并引入噪声的题目,本文在肆意游走的每一步引入目的的点拨,即遵照路径对目标落实的可能总计游走到各样邻居的几率,而不是轻易选择。

Text-enhanced Representation Learning for Knowledge Graph

  • 作者:Zhigang Wang and Juanzi Li
  • 机构:Tsinghua University

正文面向知识图谱的代表学习任务,指出使用表面文本中的上下问音信帮助知识图谱的表示学习。

正文叙述:TransE、TransH、TransR等措施无法很好的化解非一对一关系,而且受限于知识图谱的数码稀疏问题,基于此本文指出利用表面文本中的上下问消息帮助知识图谱的代表学习。类似距离监督,本文首先将实体回标到文本语料中;以此博拿到实体词与此外重大单词的共现网络,该网络可以用作联系知识图谱与公事音讯的症结;基于此网络,定义实体与涉及的文本上下文,并将其融入到文化图谱中;最后采纳翻译模型对实业与涉及的象征举办学习。

下图是一个粗略的图示:

365体育网址 11

Lifted Rule Injection for Relation Embeddings

  • 作者:Thomas Demeester, Tim Rocktäschel and Sebastian Riedel
  • 机构:Ghent University – iMinds
  • 机构:University College London

本文指出了一种将规则注入到嵌入式表示中,用于关系推理的艺术。本文叙述,嵌入式的意味方法可以从常见知识图谱中读书到鲁棒性较强的象征,但却不时不够常识的指点。将两边融合起来的法子,已经获取了较好的效力,其常识平时以规则的花样现身。但在广大知识图谱中,由于一些平整并不是单身于实体元组的,所以这么些规则所能覆盖的实例仅占一小部分,如:\(\forall x: \rm{isMan}(x)\Rightarrow
\rm{isMortal}(x)\)。

正文指出将隐式的规则融入到实体和事关的分布式表示中。本文首先想起了Riedel
et al.
(2013)的工作
,在该工作中,作者用多少个向量\(\boldsymbol{r,t}\)来分别表征关系和实业元组(头尾实体对),优化的对象是:\(\boldsymbol{r_p^{\rm{T}}t_p\leq
r_q^{\rm{T}}t_q}\),其中\(p\)代表负例的标识。并以此优化目的定义相应的损失函数:

\[\mathcal{L}_R=\sum_{(r,t_q)\in
\mathcal{O},t_p\in \mathcal{T},(r,t_p)\notin
\mathcal{O}}l_R(\boldsymbol{r^\rm{T}[t_p-t_q]})\]

为了将如:\(\forall t\in \mathcal(T):
(r_p,t)\Rightarrow
(r_q,t)\)的规则融入分布式表示,本文模仿上述办法,能够将上述规则转化为:

\[\forall t\in
\mathcal{T}:\boldsymbol{r_p^{\rm{T}}t_p\leq
r_q^{\rm{T}}t_q}\]

也就是左手元组分数越高,左边元组分数必然更高,从而达成左边元组创建,左侧一定成立的演绎原则。同时优化损失函数:

\[\mathcal{L}_R=\sum_{\forall t \in
\mathcal{T}}l_R(\boldsymbol{[t_p-t_q]^\rm{T}\tilde
t})\]

其中,\(\boldsymbol{\tilde
t}:=t/{||t||_1}\)。

为了减小总括费用,同时抵达独立于实体元组的目的,本文对目的损失函数做了之类修改:

\[\mathcal{L}_I=\sum_{\forall t \in
\mathcal{T}}l_I(\sum_{i=1}^{k}\tilde
t_i\boldsymbol{[t_p-t_q]^\rm{T}\bf{1}_i})\]

更加有:

\[\mathcal{L}_I\leq
\sum_{i=1}^{k}l_I(\boldsymbol{[t_p-t_q]^\rm{T}\bf{1}_i})\sum_{\forall
t \in \mathcal{T}}\tilde t_i\]

令:

\[\mathcal{L}_I^U:=
\sum_{i=1}^{k}l_I(\boldsymbol{[t_p-t_q]^\rm{T}\bf{1}_i})\]

经过最小化损失函数\(\mathcal{L}_I^U\),可以将隐式规则\((r_p,t)\Rightarrow
(r_q,t)\)融入到表示中。其他细节请参考原文,这里不做赘述。

Representation Learning of Knowledge Graphs with Hierarchical Types

  • 作者:Ruobing Xie, Zhiyuan Liu, Maosong Sun
  • 机构:Tsinghua University

正文面向知识图谱的代表学习任务,提议融入实体类型音信帮助知识图谱的表示学习。

正文叙述:目前的大部分办法专注于采取知识图谱中三元组结构的代表学习,而忽略了融入实体类型的消息。对于实体而言,对于不同的档次含义应该具备不同的象征。本文从Freebase中收获实体的类型音讯,并将其层次化表示,并设计了二种编码格局,对于不同的涉及通过参数调整取得相应的实业表示。

Knowledge Representation Learning with Entities, Attributes and Relations

  • 作者:Yankai Lin, Zhiyuan Liu, Maosong Sun
  • 机构:Tsinghua University

正文面向知识图谱的意味学习任务,指出使用实体、属性、关系两个要一向展开表示学习。

正文提议对性能和涉及加以区分,并在代表学习的进程中区分对待,本文首先提议属性与涉及的分别,本文叙述:属性的值一般是空虚的概念,如性别与职业等;而且通过统计发现,属性往往是多对一的,而且对于特定的习性,其取值大多来源于一个小集合,如性别。对关乎与特性拔取不同的封锁措施开展单独表示学习,同时提出属性之间的更强的约束关系。本文想法新颖,很值得借鉴。

365体育网址 12

相关文章