Quan Wang, Pingping Huang, Haifeng Wang, Songtai Dai, Wenbin Jiang, Jing Liu, Yajuan Lyu, Yong Zhu, Hua Wu - Baidu Inc., Beijing, China,2020
CoKE: Contextualized Knowledge Graph Embedding
摘要:
- 本文提出了一种新型的知识图谱嵌入范式,称为CoKE(Contextualized Knowledge Graph Embedding),它考虑了实体和关系在不同图上下文中的固有上下文性质。
- 传统的知识图谱嵌入方法为每个实体或关系学习单一的静态表示,而CoKE学习动态的、灵活的、完全上下文化的实体和关系嵌入。
- CoKE将输入序列(边缘或路径)作为输入,并使用Transformer编码器来获取上下文化表示,这些表示自然适应于输入,捕获其中的实体和关系的上下文含义。
- 在多种公共基准数据集上的评估验证了CoKE在链接预测和路径查询回答任务中的优越性。
模型架构:
输入序列可以是边(左侧)或路径(右侧),其中实体被特殊标记[MASK]替换。然后,这个输入被送入一堆Transformer编码器块中。最终,对应于[MASK]的隐藏状态被用来预测目标实体。
结论:
- CoKE作为一种新颖的知识图谱嵌入范式,通过学习动态、灵活且完全上下文化的嵌入来捕获实体和关系的上下文含义。
- CoKE在多个基准测试中取得了优异的性能,并且参数效率很高。
未来工作:
- 将CoKE推广到边缘和路径之外的其他类型的图上下文,如任意形式的子图。
- 将CoKE应用于更多的下游任务,包括知识图谱内的和更广泛领域的任务。