笔记整理 | 孙悦,天津大学
1. 介绍:
知识图的链接预测是预测实体之间缺失关系的任务。先前有关链接预测的工作集中在浅,快速的模型上,这些模型可以缩放到大型知识图例如基于基于平移变换的 TransE 系列。但是,这些模型比深层次的多层模型学习的表达功能要少,这可能会限制性能。本文中提出了一种多层卷积网络模型ConvE(用于链路预测)。该模型在建模具有高度关联性的节点时非常有效,而高度关联的复杂知识图(例如Freebase和YAGO3)非常常见。
2.背景:
知识图谱中的链接预测模型通常由简单的操作组成,例如内积和嵌入空间上的矩阵乘法,并使用数量有限的参数,其特征在于嵌入参数之间的三向交互,每个参数产生一个特征。使用这种简单,快速,浅层的模型可以使人们按比例缩放到较大的知识图,而代价是学习较少的表达特征导致最终连接预测的效果堪忧。
增加浅层模型中特征的数量(从而提高其表达能力)的唯一方法是增加嵌入大小。但是,这样做导致无法缩放到较大的知识图,因为嵌入参数的总数与图中实体和关系的数量成比例。解决