Relation Specific Transformations for Open World Knowledge Graph Completion

摘要

我们提出了一个开放世界知识图补全模型，该模型可以与常见的封闭世界方法(如ComplEx)相结合，并对它们进行增强，以利用基于文本的表示来表示训练中看不到的实体。我们的模型学习了从基于文本的嵌入空间到基于图的嵌入空间的特定于关系的转换函数，在这里可以应用闭世界链接预测模型。我们展示了在通用开放世界基准测试上最先进的结果，并表明我们的方法受益于特定于关系的转换函数(RST)，比关系无关的方法有了实质性的改进。

https://github.com/haseebs/RST-OWE

1.介绍

知识图是一种有趣的信息源，可以通过检索(Dong等人，2014年)和问答系统(Ferrucci等人，2010年)加以利用。然而，已知它们天生稀疏(Paulheim, 2017)。为了克服这个问题，知识图补全(KGC)用新的三元组丰富了图。虽然大多数现有的方法要求所有实体都是训练图的一部分，但对于许多应用程序来说，推断关于图中不存在的实体(即开放世界实体)的知识是有趣的。在这里，方法通常假设一些描述要给出的目标实体的文本，从这些文本中可以推断出实体表示，例如通过文本嵌入(Mikolov等人，2013;Devlin等人，2018)。据我们所知，迄今为止，只有少数这样的开放世界KGC方法被提出(Xie等人，2016;Shi和Weninger, 2017a;沙阿等人，2019)。

我们提出了一种针对开放世界KGC的简单而有效的方法:类似于Shah等人(2019)的OWE模型，我们的方法使现有的KGC模型能够执行开放世界预测:给定一个开放世界实体