Learning Attention-based Embeddings for Relation Prediction in Knowledge Graphs

基于注意力的嵌入学习用于知识图谱的关系预测

论文题目：Learning Attention-based Embeddings for Relation Prediction in Knowledge Graphs

论文地址：https://www.aclweb.org/anthology/P19-1466/

出版：ACL 2019

代码地址：https://github.com/deepakn97/relationPrediction

论文总结

1. 以前做过的类似研究的方法：

   1. 张量分解（RESCAL）
      • 缺点：训练参数较大
   2. 基于平移的模型（transE）
      • 缺点：虽然训练快，模型简单，于是嵌入的表达能力就较差
   3. 基于CNN的模型（ConvE、ConvKB）
      • 缺点：仅仅独立的考虑三元组，没有考虑他们的邻居
   4. 基于图的模型（R-GCN）
      • 缺点：虽然考虑了邻居，但是表现能力不如基于CNN的模型（还有就是分配给邻居的权重相同）

2. 模型架构：
   

   • 参考了GAT的原理，但是GAT只是学习了节点的嵌入，因此本模型对原有的注意力模型进行了修改

   • GAT更新节点的方式是注意力系数乘以邻居节点的表示，然后求和；而本模型计算方式是注意力系数乘以该节点所在三元组的表示，然后求和

   • 一个三元组的向量表示：
     

   • 本模型采用了两层图注意力层，第一层最后的输出采用拼接的形式，第二层最后的输出采用求和平均的方式（如果还是拼接，会导致维度过大）

     • 每一层的输入都是 实体嵌入（矩阵G）和 关系嵌入（矩阵H）
     • 每一层的输出都是 实体矩阵G’ 和 关系矩阵H’
       
       

   • 在当前实体学习新的嵌入的时候，会丢失原有的实体嵌入，我们将最后一层输出的实体嵌入加上原有的实体嵌入，变换公式如下： （其中Ht表示原有实体嵌入，Hf表示最后一层的输出实体嵌入）
     

   • 上述模型训练的损失函数：类似Trans系列

   • 在上述模型学习到实体和关系的嵌入之后，我们需要判断一个三元组是否是有效的

     • 采用CNN的方式：ConvKB模型
       
     • 此模型训练的损失函数：（f(*)表示三元组合理的可能性）