Generative Adversarial Zero-ShotRelational Learning for Knowledge Graphs

摘要

大规模知识图(KGs)在当前的信息系统中显得越来越重要。为了扩大知识图谱的覆盖范围，以往的知识图谱补全研究需要为新增的关系收集足够的训练实例。在本文中，我们考虑一种新的公式，零镜头学习，以摆脱这种繁琐的策展。对于新添加的关系，我们尝试从其文本描述中了解其语义特征，从而识别不可见关系的事实。为此，我们利用生成对抗网络(GANs)来建立文本和知识图域之间的连接:生成器学会仅使用有噪声的文本描述生成合理的关系嵌入。在这种设置下，零弹学习自然转化为传统的监督分类任务。根据经验，我们的方法是模型无关的，可以潜在地应用于任何版本的KG嵌入，并持续地在NELL和Wiki数据集上产生性能改进。

因此，人们更喜欢自动完成解决方案，或者甚至更激进的方法，在不看到任何训练实例的情况下识别不可见的类

在本文中，我们提出了一种零镜头的知识图谱关系学习方法。如图1所示，我们将零概率学习转化为知识转移问题。我们仅从不可见关系的文本描述中，研究如何对不可见关系生成合理的关系嵌入。经过训练后，该系统能够为任意关系生成关系嵌入，无需进行微调。利用这些关系嵌入，可以通过余弦相似度简单地识别不可见关系的事实。为了满足这些需求，首先要面对的挑战是如何建立一个有效的知识从文本语义空间到知识图语义空间的转移过程。我们利用条件GANs从文本描述中生成似是而非的关系嵌入，并为不可见的关系提供类间多样性。第二个挑战是文本描述的噪声抑制。人类的语言表达总是包含一些不相关的词(如虚词)来确定目标关系。如图1所示，粗体字对于关系联盟玩家的意义更为关键;因此，不分青红皂白的单词权重将导致较差的性能。针对这一问题，我们采用基于词嵌入的简单词袋模型;同时，我们计算TF-IDF特征，以降低不相关词汇的重要性，以实现零镜头学习。

我们首次将零镜头学习用于知识图补全&#x