可建模语义分层的KG embedding for relation/link completion
1. Learning Hierarchy-Aware Knowledge Graph Embeddings for Link Prediction
知识图谱补全的方法可分为三种:
- 基于距离的模型
- 双线性模型
- 神经网络模型
本文属于第一种,基于距离的模型,这类模型可以建模互逆,对称与复合等不同的关系式,但是难以对KG的语义分层进行建模。
故本文提出一种针对语义分层的问题,把语义等级树构建成极坐标系(polar coordinate),并对模长(非同等级实体)和角度(同等级实体)进行建模。最终的距离函数:
实验证明过程:
2.Rule-Guided Compositional Representation Learning on Knowledge Graphs
本文使用实体间的路径进行学习
- 使用规则挖掘工具如AMIE从KG中自动抽取规则,共分成两类规则:长度为1和2的规则
- 挖掘KG间实体的路径,使用PtransE自动挖掘h和t之间的路径p
- 路径+规则做实验组合表征学习
Embedding 的评估指标:MR,MRR,Hits@1,3,10.。
实验证明过程: