论文作者: 邓淑敏,浙江大学在读博士,研究方向为低资源条件下知识图谱自动化构建关键技术研究。
Ningyu Zhang, Shumin Deng, Zhanlin Sun, Jiaoyan Chen, Wei Zhang, Huajun Chen. Relation Adversarial Network for Low Resource Knowledge Graph Completion.
本论文已被WWW 2020接收.
论文链接:https://arxiv.org/abs/1911.03091
知识图谱补全(Knowledge Graph Completion,KGC),通过链接预测或关系抽取来补充知识图谱缺失的连接,主要困难之一是资源不足问题。KG中存在很多实例很少的关系,而且那些新添加的关系通常没有许多已知的训练样本。比如下图中展示的,KG大部分关系的样本都比较少,呈现出长尾分布,比起样本较多的关系,长尾关系的预测和抽取性能显著降低。(a)关系的链接预测结果与它们在KG中的频率高度相关,KG中频率较高的关系明显优于频率较低的关系;(b)关系抽取的效果,随着每个关系的样本数目减少而下降。本文的任务是在低资源条件下,