Jointly Modeling Structural and TextualRepresentation for Knowledge GraphCompletion in Zero-Shot S

摘要

知识图补全(KGC)的目的是预测知识图的缺失信息。大多数方法依赖于知识图(in - kg)中实体的结构信息，因此它们无法处理涉及Out-of-KG实体的零镜头场景中的KGC，这对现有的只有文本信息的知识图来说是新奇的。虽然有些方法用文本信息表示KG，但是在In-KG实体和Out-ofKG实体之间建立的相关性仍然很弱。在本文中，我们提出了一个集成结构信息和文本信息的联合模型来表征In- kg实体和out - kg实体之间的有效关联。具体来说，我们构建了一个新的结构特征空间，并通过实体最相似的基础实体为实体构建组合结构表示。同时，我们利用双向门控循环单元网络从实体的描述建立实体的文本表示。大量的实验表明，我们的模型具有良好的可扩展性，优于现有的实体预测和关系预测方法。

1.摘要

知识图(KGs)包括Freebase[1]、NELL[5]和WordNet[15]提供了有效的结构化信息，已广泛应用于问答[7]、网页搜索和信息提取等许多应用中。一个典型的知识图被表示为大量的三联(头实体、关系、尾实体)，简称(h、r、t)，表示两个实体之间的关系。然而，现有的知识图大多是通过半自动或手工的方法构建的，这导致了两个问题:(1)不完全性，没有充分挖掘in - kg实体之间的大量潜在关系;(2)可扩展性差，无法使用Outof-KG实体自动扩展kg。

近年来，人们提出了各种处理KGC的方法，其目的是预测三联中缺失的元素，如(?， r, t)， (h， ?， t)， (h, r，?）为了进行只涉及In-KG实体的