【论文解读】(2020-EMNLP)Adaptive Attentional Network for Few-Shot Knowledge Graph Completion

【论文解读】(2020-EMNLP)Adaptive Attentional Network for Few-Shot Knowledge Graph Completion

摘要

最近相关研究的重点为通过学习实体的静态表示方法,而忽略他们的动态属性。

本文通过自适应注意力网络:

  1. 实体由自适应邻居编码器建模,来识别他们面向任务的角色
  2. 引用由自适应查询感知聚合器建模,来区分他们的贡献

介绍

解决小样本知识图谱补全问题发展:

(2018)GMatching提出尾实体预测的解决方法,为了改进引用的语义表示,利用局部邻居增强实体嵌入(平均贡献)

(2020)FSRL 也是为了改进引用的语义表示,利用局部邻居增强实体嵌入(注意力机制分配不同权重)

但是权重并不会在所有任务关系中发生变化,所以这两个都是为邻居分配静态权重,在涉及不同的任务关系时产生静态实体表示,但我们更应该使用动态权重这样更符合实际效果。

对于实体可以是多义的,关系也可以是多义的。因此,引用三元组还可以对特定查询作出不同的贡献。就是说对于支持集中的不同三元组要有侧重的选择。

所以针对这种情况我们采用FAAN(自适应网络小样本知识图谱补全):

  1. 给定一个任务关系对于的支持集和查询集
  2. 给定一个自适应注意邻居编码器(单跳)对实体进行编码
  3. 为了增强实体表示,采用Transformer块的的堆栈作为参考/查询三元组,来捕获关系的多义
  4. FAAN通过自适应地聚合引用,得到一个通用的引用表示,进一步区分它们对不同查询的贡献
  5. 在这里插入图片描述

在这里插入图片描述

贡献
  1. 我们提出了在少镜头场景中动态属性的概念,通过研究少镜头场景中实体和引用的动态属性,区别于以往的范式
  2. 设计了一种新的自适应注意网络FAAN来学习动态表征。适应性邻居编码器用于使实体表示适应不同的任务。Transformer编码器和基于注意力的聚合器用于使引用表示适应不同的查询。
  3. 在NELL和Wikidata的基准KGs上对FAAN在少杆链路预测中的应用进行了评价。实验结果表明,在不同的弹丸大小下,FAAN都能获得新的前沿结果。

相关工作

  1. 知识图谱补全的工作
  2. 小样本在计算机视觉上的应用 –> 小样本在知识图谱补全上的应用
  3. 动态特征在知识图谱上的应用、动态特征在图像上的应 –> 动态特征在小样本知识图谱上的应用

背景

和FSRL一样,定义训练集和测试集,然后定义每一个任务的支持集和查询集,每一个部分都可以访问背景知识图谱

方法

在这里插入图片描述
在这里插入图片描述在这里插入图片描述

给定元训练集,输入查询集学习预测的度量函数

  1. 自适应邻居编码器学习自适应实体表示(实体表示)
  2. Transformer编码器学习实体对的关系表示;(关系表示)
  3. 自适应匹配处理器,将查询与给定的引用进行比较(匹配处理器)

在这里插入图片描述
在这里插入图片描述

Adaptive Neighbor Encoder for Entities

在这里插入图片描述

用背景知识图谱的三元组进行实体表示,该模型的目的是在不同的任务中用不同的实体嵌入来表示实体,表现出不同的角色。

通过双线性点积来计算任务关系与实体一跳邻居关系的相关性得分

流程:

  1. 首先通过预嵌入得到实体嵌入。通过r=t-h 得到关系嵌入
  2. 利用双线性点积计算任务关系与实体一跳邻居关系的相关性得分
  3. 通过注意力机制得到不同实体一跳邻居关系的得分,然后聚合尾实体,得到角色感知邻居嵌入( role-aware neighbor embedding )
  4. 最后将头实体嵌入和角色感知邻居嵌入 相加在通过神经网络,得到头实体嵌入(尾实体嵌入)
Transformer Encoder for Entity Pairs

在这里插入图片描述

借鉴动态知识图谱嵌入:CoKE: Contextualized Knowledge Graph Embedding

借鉴Transformer: Attention is all you need

流程:

  1. 利用上一个模型得到的头尾实体嵌入,组成实体对嵌入(头嵌入 关系嵌入 尾嵌入) 关系为任务关系
  2. 头嵌入+头位置嵌入、关系嵌入+关系位置嵌入、尾嵌入+尾位置嵌入
  3. 送入Transformer的德奥实体对嵌入(头嵌入 关系嵌入 尾嵌入)
Adaptive Matching Processor

在这里插入图片描述

将查询集和支持集输入度量函数 显示得分,查询集中的一个要和支持集中的所有实例对比然后平均总体得分

实验

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

总结

在这里插入图片描述

  • 5
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

fadeGR

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值