笔记整理 | 陈湘楠,浙江大学在读硕士。
现有的知识图谱补全方法都在试图设计全新的学习算法,来使用已知的事实信息去推理知识图谱中的潜在语义。但随着知识图谱的广泛使用,知识图谱中的许多实体对应着应用程序系统的在线项目。但知识图谱和应用程序这两种数据源具有不同的内在特征,简单的融合策略反而会影响知识图谱的性能。本文首先基于图神经网络提出一种协同表示学习算法从应用系统中的用户交互数据中挖掘其对应的实体偏好信息,之后提出一种对抗学习方法UPGAN,将学习到的实体偏好信息用于知识图谱补全任务。
本文方法概览如下:
1.协同表示学习算法
学习以实体为导向的用户偏好
其中