【论文】Knowledge Transfer for Out-of-Knowledge-Base Entities: A Graph Neural Network Approach

摘要

• 知识库一般不完整，因此需要补全。
• 知识库补全（KBC）旨在预测知识库中的缺失信息。
• 本文讨论知识库中的知识库外实体问题：如何表示和解决新实体问题(训练时未观察到的测试实体)。
• 现有的基于嵌入知识图谱补全模型中，所有实体用于训练得到嵌入表示。
• 但新实体的出现，获得新实体的嵌入需要重新训练的昂贵代价，
• 为了解决OOKB实体问题而不需要重新训练，我们利用测试时提供的有限辅助知识，利用图神经网络（GraphNNs）计算OOKB实体的嵌入量。
• 实验结果验证了我们提出的模型在OOKB环境下的有效性。此外，在不涉及OOKB实体的标准KBC设置中，我们的模型在WordNet数据集上实现了最先进的性能。
• Github源码

1 Introduction

  WordNet、Freebase、等知识图谱被用于：信息提取、问答和文本理解等任务。这些知识图谱可以看作是一组关系三元组，即（h;r;t）形式的三元组，其中一个实体h称为头实体，一个关系r，一个实体t称为尾部实体。
  尽管一个知识库包含数百万个这样的三胞胎，但它存在不完整性。知识库补全（KBC）的目标是预测知识库中缺失的信息。
  近年来，基于嵌入的知识库模型已经成功地应用于大规模知识库中。这些模型构建训练数据中观察到的实体和关系的分布式表示（或向量嵌入），并在嵌入上使用各种向量运算来预测缺失的关系三元组。
  本文针对基于嵌入的知识图谱中的知识图谱外实体问题进行了研究。当新实体（OOKB实体）出现在训练后给