《Joint Language Semantic and Structure Embedding for Knowledge Graph Completion》阅读笔记
文章目录
论文介绍
关键词(方法/相关描述):LASS;结构信息;联合嵌入;概率结构Loss;反向传播
作者/团队
北大沈剑豪
发表期刊/会议
COLING 2022(CCF-B类)
代码
代码链接:link
0摘要
1 背景
之前的方法要么依赖结构要么依赖KG的语义,本方法将语义与其结构信息联合嵌入KG三元组的自然语言描述中。
2 解决的问题
将语义与其结构信息联合嵌入自然语言描述中
3 解决思路
联合语义和结构嵌入用于KGC
4 解决方法
LASS 通过针对结构化损失微调预训练语言模型 (LM),将三元组嵌入到向量空间中。带有概率结构的loss捕捉结构信息,前向PLM捕捉语义信息。
结构嵌入旨在语义嵌入中重建结构,通过LM的反向传播来优化概率结构损失。结构化损失将两个实体之间的关系视作实体嵌入之间的转换。
1 介绍
2 相关工作
3 方法
结构嵌入(最右边的箭头)通过反向传播优化 LM 之上的结构化损失,重建语义嵌入中的 KG 结构。结构化损失基于评分函数 f (‖h + r − t‖2 2),它将两个实体之间的关系对应于实体嵌入之间的翻译。目标是最小化损失函数,使得当 (h, r, t) 成立时 h + r ≈ t。
前向传播无法捕捉三元组的结构信息,因此采用后向传播的方法,根据结构loss(TransE)微调预训练的LM模型