笔记整理 | 刘克欣,天津大学硕士
链接:https://arxiv.org/pdf/1911.11298.pdf
动机
知识图谱对于许多下游应用(例如搜索,知识问答和语义网)至关重要。然而,现有知识图谱面临不完整的问题。知识图谱补全工作能让知识图谱变得更加完整,是目前人工智能领域的一个研究热点。现有的知识图谱补全工作大多需要大量的实体对来进行关系推断。但是,实际数据集中关系的频率分布通常具有长尾问题, 关系的很大一部分在知识图谱中只有很少的实体对。处理数量有限(数量很少)的实体对的关系是非常重要且具有挑战性的。针对上述问题,文章提出了一种少样本关系学习模型FewShot Relation Learning model(FSRL),其目的是学习一个匹配函数,该函数可以在给定每个关系的少量参考实体对的情况下,有效地推断出真正的实体对。
亮点
文章的亮点主要包括:
(1)首次提出小样本情景下的知识图谱补全任务,更适合实际场景;
(2)提出了一种融合了一些可学习神经网络模块的小样本关系学习模型解决小样本知识图谱补全问题。
概念及模型
针对小样本知识图谱预测,FSRL要解决的具体问题是:给出少量实体对(参考集)的情况下,根据给定头实体 和查询关系 预测尾实体