LambdaKG: A Library for Pre-trained Language Model-Based Knowledge Graph Embeddings

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