本文探讨了如何在知识图谱（KG）中进行表示学习，利用Horn规则增强路径和关系的准确性，以及通过DPTransE结合潜在和图形特征。论文提出了一种规则和路径联合嵌入（RPJE）方法，从KG中提取逻辑规则，利用这些规则进行组合表示学习，从而提高KG嵌入的解释性和精确性。RPJE通过编码规则并结合路径增强模型，考虑了规则的置信度和路径的语义结构，旨在实现更有效的知识图谱表示。
Rule-Guided Compositional Representation Learning on Knowledge Graphs
1.表示学习知识图谱（KG）是将KG的实体和关系嵌入到低维连续向量空间中。
2.可以使用Horn规则在语义级别上组合路径和关联关系，以提高学习路径上KG嵌入的精度，并增强表示学习的可解释性。
3.DPTransE共同构建了KG的潜在特征和图形特征之间的交互，以提供精确而有区别的嵌入。
4.路径增强模型：由于多跳路径可以提供KG中看似未连接的实体之间的关系，因此KG中存在的路径已受到更多关注，可以与KG嵌入相结合。
5.论文提出了一种新颖的基于规则和基于路径的联合嵌入（RPJE）方案，该方案利用了逻辑规则的可解释性和准确性， KG嵌入的一般化以及路径的补充语义结构。特别是，首先从KG中提取以Horn子句形式存在的不同长度（规则主体中的关系数）的逻辑规则，并精心编码以表示学习。然后，使用长度为2的规则来精确地组成路径，而明确使用长度为1的规则来创建关系之间的语义关联并约束关系嵌入。而且，在优化中还考虑了每个规则的置信度，以保证将规则应用于表示学习的可用性。
最低0.47元/天 解锁文章
扫一扫
1164
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
