论文浅尝 | 用于低资源条件下知识图谱补全的关系对抗网络

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，