该论文提出针对知识图谱补全中长尾关系和不常见实体的挑战，采用few-shot learning策略。通过引入entity trait和Triplet Generator，利用文本信息增强数据，优化关系特定的实体表示。实验结果显示在one-shot和four-shot场景下模型性能提升，证实了方法的有效性。
论文笔记整理：汪寒，浙江大学硕士。
链接：https://www.aclweb.org/anthology/P19-1024.pdf
动机
KG的分布遵循长尾分布，大部分关系只有很少的三元组，且大体趋势是关系出现的频率和与之相关的不常见实体的比例呈反比关系。而之前的知识图谱补全工作都围绕在那些出现频率较高的实体和关系，忽略了剩下的那些infrequent relation和uncommon entities，所以作者就将针对 infrequent relations 和uncommon entities的KGC构造成一个few-shot learning的问题，并提出了一个meta-learning框架。
亮点
本文的亮点主要包括：
（1）提出了entity trait的概念，即实体的表示应该是relation-specific的，也就是不同的关系与实体的表述的不同部分相关，利用文本信息作为补充信息。
（2）提出了一个Triplet Generator，在meta-testing的训练阶段用一个VAE网络生成一些三元组进行数据增强。
概念及模型
Overview of Learning
最低0.47元/天 解锁文章
3368
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
