基于卷积神经网络的KBC
原文:
A Novel Embedding Model for Knowledge Base Completion Based on Convolutional Neural Network
摘要
本篇文章是将图片卷积的概念扩展并应用于知识图谱点的嵌入表示,简单来说,是对知识图谱中的每一个三元组组合而成的嵌入矩阵 ( v h , v r , v t ) ∈ R k × 3 , (v_h,v_r,v_t)\in R^{k \times 3}, (vh,vr,vt)∈Rk×3,k表示的是嵌入向量的维度,与不同的 1 × 3 1\times3 1×3的filters进行卷积运算,来提取嵌入三元组相同维度的关系。得到多个feature maps,然后将这些feature maps拼接在一起,得到三元组的一个嵌入向量表示,该嵌入表示在于一个权重向量做内积,得到的数值来对三元组进行打分,表示三元组的有效与否。
提出的方法
将知识图谱的三元组
(
v
h
,
v
r
,
v
t
)
(v_h,v_r,v_t)
(vh,vr,vt)表示为矩阵的形式,
A
=
[
v
h
,
v
r
,
v
t
]
∈
R
k
×
3
A=[v_h,v_r,v_t] \in R^{k\times3}
A=[vh,vr,vt]∈Rk×3,卷积核
ω
∈
R
1
×
3
\omega \in R^{1\times3}
ω∈R1×3,
ω
\omega
ω与A的每一行进行卷积运算,会得到一个k维的feature map,记为
v
=
[
v
1
,
v
2
,
.
.
.
,
v
k
]
∈
R
k
v=[v_1,v_2,...,v_k]\in R_k
v=[v1,v2,...,vk]∈Rk
v
i
=
g
(
ω
⋅
A
i
,
:
+
b
)
v_i=g(\omega \cdot A_{i,:}+b)
vi=g(ω⋅Ai,:+b)
其中b是偏置项,g是激活函数。
用
Ω
\Omega
Ω和
τ
=
∣
Ω
∣
\tau=|\Omega|
τ=∣Ω∣分别表示卷积核集合和卷积核的个数。分别去和A进行卷积运算,运算结果直接拼接起来,得到一个向量
∈
R
τ
k
×
1
\in R^{\tau k \times 1}
∈Rτk×1,再和一个权重向量
w
∈
R
τ
k
×
1
w\in R^{\tau k \times 1}
w∈Rτk×1做内积运算,得到的值是对该三元组的打分:
f
(
h
,
r
,
t
)
=
c
o
n
c
a
t
(
g
(
[
v
h
,
v
r
,
v
t
]
×
Ω
)
)
T
⋅
w
f(h,r,t)=concat(g([v_h,v_r,v_t]\times \Omega))^T\cdot w
f(h,r,t)=concat(g([vh,vr,vt]×Ω))T⋅w
对于所有的三元组共享
Ω
\Omega
Ω和
w
w
w参数
最后,目标函数如下:
L
=
∑
(
h
,
r
,
t
)
∈
G
∪
G
′
l
o
g
(
1
+
e
x
p
(
−
l
(
h
,
r
,
t
)
⋅
f
(
h
,
r
,
t
)
)
)
+
λ
2
∣
∣
w
∣
∣
2
2
L=\sum_{(h,r,t) \in {G \cup G'}}log(1+exp(-l_(h,r,t) \cdot f(h,r,t)))+\frac{\lambda} {2} ||w||_2^2
L=(h,r,t)∈G∪G′∑log(1+exp(−l(h,r,t)⋅f(h,r,t)))+2λ∣∣w∣∣22
[1]: A Novel Embedding Model for Knowledge Base Completion Based on Convolutional Neural Network