论文笔记整理:郭凌冰,浙江大学研究助理,研究方向为知识图谱的表示学习。
绝大部分现有的知识图谱对齐方法都要求足够的已对齐三元组作为监督数据,但在现实世界中,获取大量的对齐三元组的代价十分高昂。本文提出一种同时适用于全监督或者弱监督知识图谱对齐的方法,其通过一种基于对抗学习的框架(KAGAN)来对齐不同知识图谱中实体和关系的嵌入表示:
本文首先定义了由源知识图谱的实体(或关系)到目标知识图谱的实体(或关系)的概率:
,
其中为温度参数,
论文笔记整理:郭凌冰,浙江大学研究助理,研究方向为知识图谱的表示学习。
绝大部分现有的知识图谱对齐方法都要求足够的已对齐三元组作为监督数据,但在现实世界中,获取大量的对齐三元组的代价十分高昂。本文提出一种同时适用于全监督或者弱监督知识图谱对齐的方法,其通过一种基于对抗学习的框架(KAGAN)来对齐不同知识图谱中实体和关系的嵌入表示:
本文首先定义了由源知识图谱的实体(或关系)到目标知识图谱的实体(或关系)的概率:
,
其中为温度参数,