TransC:Differentiating Concepts and Instances for Knowledge Graph Embedding

最新推荐文章于 2022-09-06 18:33:09 发布

Re:fused

最新推荐文章于 2022-09-06 18:33:09 发布

阅读量652

点赞数 1

分类专栏：知识图谱补全文章标签：知识图谱人工智能机器学习

本文链接：https://blog.csdn.net/REfusing/article/details/124726126

版权

知识图谱补全专栏收录该内容

14 篇文章 14 订阅

订阅专栏

本文探讨了知识图谱模型TransC，它通过区分概念(concept)和实例(instance)，解决了现有模型中忽视的概念表示不足和关系不具传递性的挑战。TransC将三元组分为三种类型并采用领域半径建模，通过margin-based ranking loss进行优化，以支持isA等逻辑推理。

摘要由CSDN通过智能技术生成

TransC:Differentiating Concepts and Instances for Knowledge Graph Embedding

1 介绍

1.1 问题

作者发现在实现时，对于concept(抽象的概念，如老师 (zhangsan, instance, teacher))和instance(具体的概念，如人物(zhangsan,friendof, lisi), zhangsan 和lisi都是具体的实例)目前现有的模型都没有对其进行区分，为了简化操作通常的处理方式是将二者作为实体不加以区分，进行embeding处理,事实上二者在现实师世界总是不同的，下图就详细展示了concept和instance.
Refused
并且作者提出一个逻辑推理问题，类似于isA这种关系，中文理解就是“是”意思，如 $\cap (teacher, subClassof, people) \Rightarrow (zhangsan, is, people)$ ，这种就是isA的逻辑推理，现在并没有实现相关的推理。

1.2 论文主要解决的两个问题

Insufficient concept representation
不能区分concept和instance
Lack transitivity of both isA relations
isA这种关系缺少传递性

1.3 思想

将三元组分成三种类型：

(Instance, Relation, Instance)，即（Zhangsan， Friendof， Lisi）
这种就采用常规的TransE模型即可
(Instance, Relation, Concept)，即（Zhangsan, Is, Teacher）
对于实例应该与它们所属的概念相近，将每个concept编码为一个领域，将每个instance编码为同一语义空间中的向量，并利用相对位置对concept和instance之间的关系进行建模。
(Concept, Relation, Concept)，即（Teacher, Is, People）
将这种关系分为四种不同的关系，即（A， Relation, B），A和B之间的关系为B包含于A, 二者无关，二者相交， A包含于B。

然后将三着进行负采样使用margin-based ranking loss，进行优化。

2 模型

2.1 知识图谱结构

知识图谱分为三类：

InstanceOf 即(Instance, Relation, Concept)
SubClassOf 即(Concept, Relation, Concept)
Relational triple 即(Instance, Relation, Instance)
$\mathcal{KG} = \{ \mathcal{C,I,R, S} \}, 其中\mathcal{C， I}$ 分别表示为concept和instance, $\mathcal{R}$ 表示所有的关系的集合，S是三种不同分类的总集合，其中小写字母e表示instance类型，c表示concept类型。