1. Convolutional 2D Knowledge Graph Embeddings
作者:Tim Dettmers, Pasquale Minervini, Pontus Stenetorp, Sebastian Riedel(伦敦大学学院)
论文出处:The Thirty-Second AAAI Conference on Artificial Intelligence (AAAI 2018)
点此获取“论文地址”
①研究问题
知识图谱的链接预测任务是预测节点之间潜在的关系。传统的链接预测方法专注于浅的、快速的模型,因为这样可以扩展到大规模的KG中。但是浅层模型学习到的特征比深沉模型少很多,大大限制了模型的性能。解决该问题的方法之一是增加embedding的维度,但是会加模型参数量,不方便扩展到大规模KG中。此外,部分现有数据集中有测试集泄露问题:训练集中的三元组稍微翻转一下就可以得到测试集三元组,然后使用基于规则的模型就能达到最佳性能。文章通过构造一个简单的翻转来衡量这个问题严重性,并清洗了部分数据来解决该问题。
②研究方法
文章提出一种多层卷积神经网络模型用于知识图谱的链接预测任务。与自然语言处理中常用的一维卷积不同,文章通过把多个向量堆叠成矩阵,就可以像图形一样用二维卷积核来抽取embedding之间的关系。