摘要
知识图通常有两个特点:异构的图结构和文本丰富的实体/关系信息。基于文本的KG嵌入可以通过使用预训练的语言模型编码描述来表示实体,但目前还没有专门为带有plm的KG设计的开源库。在本文中,我们提出了LambdaKG,一个用于KGE的库,它配备了许多预训练的语言模型(例如BERT, BART, T5, GPT-3),并支持各种任务(例如知识图补全,问答,推荐和知识探测)。LambdaKG是公开开源的,有一个演示视频和长期维护。
有代码
1.介绍
知识图谱(Knowledge Graphs, KGs)将现实世界的事实编码为结构化数据,并引起了学术界和工业界的极大关注(Zhang et al ., 2022b)。知识图嵌入(Knowledge Graph Embedding, KGE)旨在将关系和实体投影到一个连续的向量空间中,可以增强知识推理能力,并可行地应用于下游任务:问答(Saxena et al ., 2022)、推荐(Zhang et al ., 2021)等。以前基于嵌入的KGE方法,如TransE (Bordes等人,2013),将关系知识嵌入到向量空间中,然后利用预定义的对这些向量的评分函数来优化目标对象。已经开发了一些出色的基于嵌入式的KGE工具包,例如OpenKE (Han等人,2018),LibKGE (Broscheit等人,2020),PyKEEN (Ali等人,2021),CogKGE (Jin等人,2022)和NeuralKG (Zhang等人,2022c)。然而,这些基于嵌入的KGE方法在浅层网络架构的表达性方面受到限制,没有使用任何侧信息。
通过与基于嵌入的KGE方法的比较,基于文本的方法包含了可用的KGE文本。随着预训练语言模型