论文浅尝 | CAKE：一个用于多视图知识图谱补全的可扩展性常识感知框架

笔记整理：陈子强，天津大学硕士

链接：https://aclanthology.org/2022.acl-long.36.pdf

动机

以往的知识图谱补全仅仅依靠事实级别数据来预测实体之间缺失的关系，这样忽略了有价值的常识性知识。以往的知识图谱嵌入面临无效的负采样和事实层面链接预测不准确的问题。 

贡献

亮点主要包括：

•我们提出了一个具有自动常识生成机制的可扩展的KGC框架，以从事实三元组和实体概念中提取有价值的常识。•作者设计了一个常识感知的负采样策略用于生成有效和高质量的三元组。同时，提出了一个多视图链接预测机制来提高KGC的准确性。•在四个基准数据集上进行的广泛实验说明了整个框架和每个模块的有效性和可扩展性。

模型

如下图所示，CAKE框架由三个部分组成：自动常识生成模块（ACG）、常识感知负采样（CANS）模块和多视图链接预测模块（MVLP）。首先，通过ACG模块从事实三元组中抽取常识。然后，CANS模块利用生成的常识生成高质