One-Shot Relational Learning for Knowledge Graphs——阅读笔记

Background

Problem Formulation

知识图谱$\mathcal{G}$是由一个三元组集合 { ( h , r , t ) } ⊆ E × R × E \{(h, r, t)\} \subseteq \mathcal{E} \times \mathcal{R} \times \mathcal{E} { (h,r,t)}⊆E×R×E表示，其中，$\mathcal{E}$ 表示entity set， $\mathcal{R}$表示relation set。知识图谱的实现能够预测两个现有实体$(h,?,t)$之间的不可见关系 r，或者给定头实体和查询关系$(h,r,?)$，预测尾部实体 t 。这一篇文章在只给定一个example triplet $\left(h_0,r,t_0\right)$的条件，使true tail entity $t_{\text{true}}$的序列度高于其他candidate entities $t\in C_{h,r}$。

One-Shot Learning Settings

根据标准one-shot学习的设置，文章假设获取了training tasks。每个training tasks 都对应一个KG relation $r\in \mathcal{R}$, 并拥有training/testing triples:$\left\{D_r^{train},D_r^{test}\right\}$。这一tasks set就是 the meta-training set,${\mathbb{T}}_{\text{meta}-\text{train}}$。
根据one-shot的任务设定，在每个$D_r^{train}$中，采用一个三元组$\left(h_0,r,t_0\right)$。
The D r test = { ( h i , r , t i , C h i , r ) } D_{r}^{\text {test}}=\left\{\left(h_{i}, r, t_{i}, \mathcal{C}_{h_{i}, r}\right)\right\} Drtest​={ (hi​,r,ti​,Chi​,r​)} consists of the testing triples of r with ground-truth tail entities ti for each query $\left(h_i,r\right)$, and the corresponding tail entity candidates C h i , r = { t i j } \mathcal{C}_{h_{i}, r}=\left\{t_{i j}\right\} Chi​,r​={ tij​} where each $t_{ij}$ is an entity in $\mathcal{G}$。
给定test query$\left(h_i,r\right)$和 $D_r^{train}$中the labeled triple，可对the candidate set ${\mathcal{C}}_{h_i,r}$进行排列测试the metric model。
The meta-training objective: ${\min }_{\theta }{\mathbb{E}}_{T_r}[{\sum }_{}$