本文发现实体对间的并存路径对关乎分类更有价值bet365娱乐场官网,但准确率与召回率相比嵌入式表示学习的法门存在劣势

作者:整理2016-前年ACL、EMNLP、SIGIR、IJCAI、AAAI等国际有名会议中实体关系推理与知识图谱补全的连带故事集,供自然语言处理探究人口,尤其知识图谱领域的专家参考,如有错误领会之处请指出,不胜感激!(如需转载,请联系自身:jtianwen2014,并注明出处

作者:整理2016-二〇一七年ACL、EMNLP、SIGIR、IJCAI、AAAI等国际知名会议中实体关系推理与学识图谱补全的有关杂谈,供自然语言处理研商人口,尤其知识图谱领域的大方参考,如有错误了解之处请指出,不胜感激!(如需转载,请联系我:jtianwen2014,并注明出处

ISGIR 2016

EMNLP 2016

Hierarchical Random Walk Inference in Knowledge Graphs

  • 作者:Qiao Liu, Liuyi Jiang, Minghao Han, Yao Liu, Zhiguang Qin
  • 机构:School of Information and Software Engineering, University
    of Electronic Science and Technology of China

——–杂文掠影——–

本文面向的天职是遵照知识图谱的关联推理。本文通过比较考察PRA方法和TransE方法在提到推理上的施行效果并分析原因,在PRA基础上指出层次的随意游走算法HiRi举办实体关系推理。

正文首先叙述了遵照知识图谱的关系推理的连锁工作,大体分为二种模式:首先是总结关系学习方法(SRL),如马尔科夫逻辑网络、贝叶斯网络,但这类方发需要统筹相应的规则,因而尚未很好的扩张性和泛化性;嵌入式表示的法门,意在将实体和涉及映射为空间中的向量,通过空中中向量的演算来开展推理(如TransE),该措施赢得了较好的准确率,但分布式表示的解释性不强,其它,较难实现并行总括;基于关系路径特征的任意游走模型,该措施可以展开并行总计,具有较好的举行效能,但准确率与召回率相相比较嵌入式表示学习的点子存在劣势。本文的想法是:是否可以设总括法同时落实自由游走模型的举办功用以及保留嵌入式表示学习形式的准确率?

——–方法介绍——–

正文对TransE方法(嵌入式表示学习的意味)和PRA方法(随机游走模型的表示)举行相比,在一对多、一对一、多对多、多对一这四类关系上展开对照分析:

bet365娱乐场官网 1

比较之下发现:在1:M关系上,PRA远不如TransE;但在M:1涉及上,两者很相近。有此现象,正文的首先个如若认为可以将知识图谱看做无向图,以此来规避1:M关系上的弱势。

除此以外,PRA方法在M:M关系上也只达到了TrasnE方法效果的一半,本文认为这表达了PRA在多对多涉及上抽取的路子特征并没有充裕地拔取多对多涉及爆发的簇中的连续信息(文中有举例表明这或多或少)。相相比而言,嵌入式学习的情势由于将文化图谱全局消息编码到向量空间里,所以可以充裕利用到那种音讯。

在应用多对多推理关系时,平时会用到关系的反向,即从尾实体到头实体的趋势,这种推离的措施可以运用odd-hop随机游走模型来建模,基于此本文的第二个比方是:怀有拓扑结构的关联明确的簇可能会含有对推理很有襄助的音讯,那么,基于关系学习算法的任性游走可以增长推理能力。 

正文提议了一种层次化推理的架构,共分为几个部分:全局推理、局部推理、推理结果融合,结构框图如下:

bet365娱乐场官网 2

全局推理是利用PRA算法举行推导,以博得三元组创设的概率\(f(h,r_i,t)\);一些推理时在特定关系的子图(簇)上测算一个3跳的几率矩阵,以得到存在或者该关系的三元组概率\(g(h,r_i,t)\),由于是在一个簇上举办的,那是一个有的的推理。众人拾柴火焰高的长河是使用一个线性模型对两部分的概率融合,以拿到最后的几率。

笔者:本文通过分析PRA与TransE的在不同门类涉及上的区别,提出了五个倘诺,并在此基础上提议层次化的推理方法HiRi,即在大局和局部分别开展关联推理,最后融合在一块收获推理结果。本文在其次个假若的指出上没有提交太多显然的讲演,所举的例证和该假诺的提议在促进关系上有些牵强,笔者未理清思路。此外,3跳的原因是否来自于“关系-关系反向-关系”路径,即3跳回到原关系?对于假使一,将关联作为无向的,会带来什么不良后果?前人是否有这方面的追究?

A Position Encoding Convolutional Neural Network Based on Dependency Tree for Relation Classification

  • 作者:Yunlun Yang, Yunhai Tong, Shulei Ma, Zhi-Hong Deng
  • 机构:School of Electronics Engineering and Computer Science,
    Peking University

正文的天职为关联分类,即对于给定句子中的给定实体对开展关联分类。本文叙述,传统特色采纳的点子严重倚重于特征的成色以及词语资源,为了达到最优往往需要耗时的人造采纳特征子集。基于核函数的措施尽管不用选拔特征,但仍需精心设计的核函数并有着较大的精打细算开销。目前,随着神经网络的起来,深度学习所提供的端到端的方法被利用于广大经文的自然语言处理问题。RNN和CNN已经被认证对关乎分类具有巨大援助。

只是,一些探讨工作讲明传统的特性对于涉嫌分类的神经网络方法仍有增强成效,可以提供更多的消息。一个大概而有效的方法是将词语级的表征和神经网络获取的性状简单构成(一般是连接起来),组合后的意味输入到分类器。另一种更加扑朔迷离的主意是基于句子的句法依存树调整神经网络的社团,取得了较好的效率。

正文认为,句法依存树在事关分类的天职上是很有价值的。本文发现实体对间的存活路径对关乎分类更有价值,比较于完全句子的现有路径,由于其现有路径的距离往往小于句子的幸存路径距离,剪枝后的实体间依存路径裁减了成百上千噪声消息。为了更好的利用句法依存所提供的言语学文化,本文指出了遵照句法依存树和的地点编码卷积神经网络方法PECNN。方法的历程图如下:

bet365娱乐场官网 3 

每个词的表示由两有些构成:词向量、该词的依存树地方特征。地点特征的获取首要考虑是将离散的岗位映射到实数向量,它和词向量相似,只不过是将词替换为离散的相距。正文提出了二种艺术来定义依存树中的地点特征TPF1、TPF2。TPF1中中距离定义为近年来词到对象实体的最短路径中依存弧的个数,映射形式和PF相同,即不同的离开随机初叶化一个定位维度的向量,磨练的历程中上学。一个词到实体的最短路径可以分开为多个子路径:被压低祖先节点分割,TPF2则将偏离用二元组表示,分别表示三个子路径的长度。下图是各种词语到实体Convulsions的TPF1与TPF2:

bet365娱乐场官网 4 

独立的CNN的一个卷积窗口每一次得到当前词的将近上下文词语作为输入,在本文中为了充分利用树结构音信,本文将眼前词的父节点和子节点作为作为其临近上下文输入到卷积窗口,相应的正文对卷积核也做了改动,采取了两种卷积核:Kernel-1、Kernel-2,具体定义见故事集。其中Kernal-1目的在于从依存树中多层次抽取特征,而Kernel-2专注于发掘共享父节点的词之间的语义信息。六个核函数的轻重均取3。最终将Kernel-1、Kernel-2分别池化并拼接在一块作为CNN输出。

笔者:本文利用卷积神经网络对实体关系展开分类,革新性地将依存树作为输入,将词在树中的地方信息嵌入式表示并拼接到词向量中联手学习,同时,本文对CNN面向树结构设计了不同经常的卷积核。本文指出的措施在实业关系分类任务上,相比于未接纳地方信息的CNN和LSTM取得了进一步提升。在试行中本文也将POS等风味融入PECNN,也得到了较好的结果。但文中似乎未深究卷积核设计对结果的影响,面向树结构的卷积核的统筹是否是本文独立指出的?读者可参考文中参考文献探寻一下。

IJCAI 2016

Jointly Embedding Knowledge Graphs and Logical Rules

  • 作者:Shu Guo, Quan Wang, Lihong Wang§, Bin Wang, Li Guo
  • 机构:Institute of Information Engineering, Chinese Academy of
    Sciences

本文的天职为文化图谱表示学习,本文提议逻辑规则包含丰裕的背景消息,但一向没有很好的在学识图谱表示学习的天职上被探讨。正文指出KALE的点子,将文化图谱与逻辑规则举行共同嵌入表示学习。

后面有我们同时采纳知识表示方法和逻辑规则,但双方是分离建模的,这也使得尚未得到更好的嵌入式表示。Rocktaschel
et al.
(2015)
指出协同模型将一阶逻辑融入嵌入式表示,但那项工作专注于关系分类,对实业对进展停放表示仅成立一个向量表示,而不是实体拥有各自的表示。

KALE方法可分为五个部分:三元组建模、逻辑规则建模,以及一头学习。一个总体的方法框图如下图所示:

bet365娱乐场官网 5 

对于三元组建模部分应用简便的翻译模型(TransE衍生)完成,具体的打分函数如下:

\[I(e_i, r_k, e_j)=1-\frac {1}{s\sqrt
{d}}||\mathbf{e}_i+\mathbf{r}_k-\mathbf{e}_j||_1\]

对于逻辑规则建模部分,本文使用t-norm模糊逻辑(t-norm fuzzy
logics),本文重要考虑两种档次的逻辑:第一类是:\(\forall x,y: (x,r_s,y)\Rightarrow
(x,r_t,y)\),给定\(f\triangleq
(e_m,r_s,e_n)\Rightarrow
(e_m,r_t,e_n)\),置信度的乘除如下:

\[I(f)=I(e_m,r_s,e_n)\cdot
I(e_m,r_t,e_n)-I(e_m,r_s,e_n)+1\]

其中,\(I(\cdot ,\cdot
,\cdot)\)是三元组建模时的置信度函数。

其次类是:\(\forall x,y,z:
(x,r_{s1},y)\land (y,r_{s2},z)\Rightarrow
(x,r_t,z)\),给定\(f\triangleq
(e_l,r_{s1},e_m)\land (e_m,r_{s2},e_n)\Rightarrow
(e_l,r_t,e_n)\),置信度的盘算如下:

\[I(f)=I(e_l,r_{s1},e_m)\cdot
I(e_m,r_{s2},e_n)\cdot I(e_l,r_t,e_n)-I(e_l,r_{s1},e_m)\cdot
I(e_m,r_{s2},e_n)+1\]

手拉手学习的进程一样是时整治三元组的置信度远超出负例三元组的置信度。

值得注意的是,就算规则只有二种,但为了选择于实际必须找到规则的关系实例,为领会决人工的压力,本文使用了半活动的主意协会规则关系实例。其模式是,首先使用TransE学习到实体和事关的表示,为可能存在这两个逻辑规则的实体关系总括置信度,然后开展排序,进而选用切合逻辑规则的实体关系实例。部分实例如下:

bet365娱乐场官网 6 

笔者:本文提议将逻辑规则融入文化图谱嵌入式表示学习的法子,并且逻辑规则和三元组的就学是共同举办的。方法提高的瓶颈似乎在逻辑规则的采取与实例的社团上,本文使用了本活动的法门构建,即便这一局部并非本文重点,但实在该办法是够有效可以应用于常见知识图谱的最首要,本文对FB15K构建了47个规则实例,但对此广大知识图谱那么些规则还远远不够,这种规则的方法存在移植性的题目,是否可以设想动用随机游走获取此类逻辑规则,类似PRA中使用的点子。其它,将涉及路径融入表示学习的方法和本文的措施相比接近,实质上都是采用关乎路径去演绎关系。

From One Point to A Manifold: Knowledge Graph Embedding For Precise Link Prediction

  • 作者:Han Xiao, Minlie Huang, Xiaoyan Zhu
  • 机构:Dept. of Computer Science and Technology, Tsinghua
    University

——–杂文掠影——–

本文提出:时下已有些文化表示学习方法不能落实规范链接预测,本文认为有多少个原因促成了这一气象的面世:ill-posed
algebraic problem
adopting an overstrict geometric form

里头,ill-posed algebraic
problem指的是:一个方程组中的方程式个数远超出变量个数。本文以翻译模型为表示叙述这一题目。翻译的目标是,对知识库的三元组的嵌入式表示满意\(\boldsymbol {\rm
{h_r+r=t_r}}\),假如三元组的数码为\(T\),嵌入式表示的维度为\(d\),那么一共有\(T*d\)个方程式,而所需要上学的变量一共有\((E+R)*d\),其中\(E,R\)表示实体和关联项目标数额。由于三元组的数额远大于实体和关系项目标多寡,那么这种翻译模型存在严重的ill-posed
algebraic problem问题。

对此一个ill-posed
algebraic系统,所求得的解平日是不确切且不安定的
,这也多亏以往艺术不可以展开规范链接预测的来头之一。为此,本文指出一个遵照流形(manifold)的原则,用\(\mathcal{M}(\boldsymbol {\rm
{h,r,t}})=D_r^2\)用来顶替\(\boldsymbol {\rm
{h_r+r=t_r}}\),其中\(\mathcal{M}\)是流形函数。

其它,对于TransE的法门,对于给定的头实体和关系,应用于\(\boldsymbol {\rm
{h+r=t}}\),所取得的尾实体几乎是一个点,这对于多对多涉及而言肯定是不科学的,这是一种overstrict
geometric
form。前人的一些办法如TransH、TransR将实体和关系映射到部分与涉及有关的子空间中来解决这一题材,不过,这种题材在子空间中依旧存在。这种过于严俊的样式或导致引入大量的噪音元素,在链接预测的经过中不能够精确预测。

正如图所示,越走近圆心组成正确三元组的可能性越大,粉红色为科学的答案,青色为噪声,其中TransE的法门不可能很好地分别,而本文提议的ManifoldE可以很好的区别噪声数据。

bet365娱乐场官网 7

——–方法介绍——–

正文指出用\(\mathcal{M}(\boldsymbol {\rm
{h,r,t}})=D_r^2\)用来代替\(\boldsymbol {\rm
{h_r+r=t_r}}\),其中\(\mathcal{M}\)是流形函数。打分函数定义为:

\[f_r(h,t)=||\mathcal{M}(h,r,t)-D_r^2||^2\]

对于\(\mathcal{M}\)的概念,其中一种以球体为流形。即对于给定头实体和关联项目,尾实体在向量空间中遍布在以\(\boldsymbol {\rm
{h+r}}\)为球心的球面上,此时:

\[\mathcal{M}(h,r,t)=||\boldsymbol {\rm
{h+r-t}}||_2^2\]

这边的向量可以行使Reproducing Kernel Hilbert Space
(RKHS)映射到Hilbert空间,以更高效地特色流形。

bet365娱乐场官网 8

设想到球体不易相交,而这说不定造成有的实体的损失,本文叙述可以以超平面为流形。即对于给定头实体和事关项目,尾实体位于以\((\boldsymbol {\rm {h+r_{head}}})^{\rm
{T}}\)为方向、偏移量与\(D_r^2\)相关的超平面上。在半空中,只要六个法向量不平行,这五个超平面就会有相交。流形函数定义如下:

\[\mathcal{M}(h,r,t)=(\boldsymbol {\rm
{h+r_{head}}})^{\rm {T}}(\boldsymbol {\rm {t+r_{tail}}})\]

本文叙述为了充实给定头实体和关系推理出准确的尾实体数量,对向量相对值化:

\[\mathcal{M}(h,r,t)=|\boldsymbol {\rm
{h+r_{head}}}|^{\rm {T}}|\boldsymbol {\rm {t+r_{tail}}}|\]

其中,\(|\boldsymbol {\rm
{w}}|=(|w_1|,|w_2|,|w_3|,…,|w_n|)\)。

对此过去模式存在的ill-posed问题,本文的情势对其较好地解决。以球形为例,本文对于每个三元组只对应一个等式:\(\sum_{i=1}^{d}(h_i+r_i-t_i)^2=D_r^2\),所以假诺满意\(d\geq \frac {\#Equation}{E+R}=\frac
{T}{E+R}\)。要满意这一条件只需方便扩大向量的维度,从而较好的兑现规范预测。

教练的进程是充实正例的分数,而减小负例的分数,目标函数如下:

\[\mathcal{L}=\sum_{(h,r,t)\in
\Delta}\sum_{(h’,r’,t’)\in \Delta
‘}[f_r'(h’,t’)-f_r(h,t)+\gamma]_+\]

尝试结果显示该措施较好的落实了高精度链接预测(hit@1):

bet365娱乐场官网 9

笔者:本文指出从前的象征学习不可能较好的落实规范链接预测,并提议造成该问题的两点原因:ill-posed
algebraic problem
adopting an overstrict geometric
form
,并针对这六个点问题切中要害提议基于流形的代表学习方法,实验结果呈现该方法较好的兑现了准确链接预测。

Mining Inference Formulas by Goal-Directed Random Walks

  • 作者:Zhuoyu Wei, Jun Zhao and Kang Liu
  • 作者:University of Chinese Academy of Sciences

正文的天职为面向知识图谱的实体关系推理,即利用知识图谱中已部分关乎推理新的涉及事实。推理规则对于基于知识图谱的关联推理有着明确的效果,而人工构造大量的推理规则是不具体的。近日遵照数据驱动的活动挖掘推理规则的方法中,随机游走的法子被认为最适用于文化图谱。然则,在知识图谱中无目标的可是随机游走挖掘有价值的推理规则的频率较低,甚至会引入误导的演绎规则。即便部分大方提议利用启发式规则带领随机游走,但鉴于推理规则的多样性,这种艺术仍回天乏术赢得较好的效力。

针对以上现状,本文指出一种目的辅导的演绎规则挖掘算法:在随意游走的每一步使用明确的演绎目标作为方向。具体地,为了达到目的指引的体制,在每一步随机游走的经过中,算法依照最终目标动态地估摸走向各种邻居的私房可能性,遵照潜在可能性分配游走到各种邻居的几率。比如,当推理“一个人的言语”时,算法更倾向走“国籍”边而非“性别”边。

正文首先想起了骨干的用来推理规则挖掘的轻易游走算法,其中也波及早期基于枚举的(枚举给定满意关系的实体对中间的拥有途径)依据频率总计置信度的演绎规则挖掘算法。随机游走算法随机地(概率均等,和出度有关)采用下一跳到达的街坊,而非遍历所有邻居。总而言之,这种自由游走的算法是单独用目的的。而且,由于随机性,随机游走无法保证高速低挖掘到目的实体对的门路,甚至引入噪声。为了缓解这一题材,PRA引入了启发式的规则:对概率矩阵展开修改,是的左邻右舍的选料并不均等,而是基于到达目的实体的可能性。

为了实现目的指点的任意游走,本文对给定目标(\(\rho=R(H,T)\))的场所下,对实体\(i\)到\(j\)的连边g(关系\(r\))被接纳的几率定义为:

\[ P_{r_{i,j}}= \begin{cases} \frac
{\Phi (r(i,j),\rho)}{\sum_{k\in Adj(i)}\Phi (r(i,j),\rho)},
&\mbox{}j\in Adj(i)\\ 0, &\mbox{}j\notin Adj(i) \end{cases}
\]

其中,\(\Phi(r(i,j),\rho)\)是在给定目的\(\rho\)情况下,对实体\(i\)到\(j\)的连边被增选的可能测量。路径的落脚点为\(H\),最后要到达\(T\),游走的经过中递归定义已走路径的似然为:\(P_{pHt}=P_{pHs}\cdot
P_{r_st}\)。似然函数定义为:

\[\rm{max}
P_{\mathbb{P}}=\prod_{pHt\in
\mathbb{P}}P_{pHt}^{a}(1-P_{pHt})^{b+c}\]

其中\(\mathbb{P}\)是随机游走拿到的门径集合,\(a,b,c\)分别对应两种情景,a)\(t=T\)且爆发不利的演绎规则;a)\(t\not=T\);c)\(t=T\)且发生噪音推理规则;\(a,b,c\)都是0-1值,且每趟有且只有一个为1。将最大化转为最小化\(L_{rw}=-\rm{log}
P_{\mathbb{P}}\),本文中又将该对象函数划分为两片段来计量:\(L_{rw}=L_{rw}^t+\lambda
L_{rw}^{inf}\)。对于一个彰着的路径\(p\),\(L_{rw}\)可以写为:

\[L_{rw}(p)=-y\rm{log}
P_{p}-(1-y)\rm{log} (1-P_{p})\]

\(\Phi(r(i,j),\rho)\)的精打细算需要融入文化图谱全局的音讯,为了削减总括量,本文引入知识图谱的放置表示来测算\(\Phi\):

\[\Phi(r(i,j),\rho)=\Psi(E_{r(i,j)},E_{R(H,T)})\]

其中,\(\bet365娱乐场官网,Psi(E_{r(i,j)},E_{R(H,T)})=\sigma(E_{r(i,j)}\cdot
E_{R(H,T)})\),\(E_{r(i,j)}=[E_r,
E_j]\),\(E_{R(H,T)}=[E_R,
E_T]\),\(E_r,E_j,E_R,E_T\)代表涉嫌和实体的嵌入式表示。

练习推理模型的算法如下:

bet365娱乐场官网 10

说到底的推理是选用打分函数,对确定实体对的不等关系举行打分:

\[\mathcal{X}(\rho)=\sum_{f\in
F_{\rho}}\delta(f)\]

其中,\(F_{\rho}\)是自由游走为涉嫌找到的推理规则集合,\(\delta(f)=w_f\cdot
n_f\)。最终本文应用逻辑斯谛回归来对实体关系概率举办测算:

\[P(\rho =
y|\mathcal{X})=\mathcal{F}(\mathcal{X})^y(1-\mathcal{F}(\mathcal{X}))^{1-y}\]

\[\mathcal{F}(\mathcal{X})=\frac{1}{1+e^{-x}}\]

作者:对于随意游走的无对象率领从而致使推理规则挖掘效率低并引入噪声的问题,本文在随意游走的每一步引入目的的指点,即基于路径对目的实现的可能性总计游走到各种邻居的票房价值,而不是擅自挑选。

Text-enhanced Representation Learning for Knowledge Graph

  • 作者:Zhigang Wang and Juanzi Li
  • 机构:Tsinghua University

本文面向知识图谱的代表学习任务,提议采纳外部文本中的上下问信息帮助知识图谱的意味学习。

正文叙述:TransE、TransH、TransR等格局不可能很好的解决非一对一事关,而且受限于知识图谱的数量稀疏问题,基于此本文提议利用表面文本中的上下问音信辅助知识图谱的代表学习。类似距离监督,本文首先将实体回标到文本语料中;以此博得到实体词与其他重要单词的共现网络,该网络可以视作联系知识图谱与公事音讯的热点;基于此网络,定义实体与涉及的文本上下文,并将其融入到文化图谱中;最后动用翻译模型对实体与涉及的代表举办学习。

下图是一个简便的图示:

bet365娱乐场官网 11

Lifted Rule Injection for Relation Embeddings

  • 作者:Thomas Demeester, Tim Rocktäschel and Sebastian Riedel
  • 机构:Ghent University – iMinds
  • 机构:University College London

本文指出了一种将规则注入到嵌入式表示中,用于关系推理的办法。本文叙述,嵌入式的象征方法可以从常见知识图谱中上学到鲁棒性较强的意味,但却不时不够常识的指引。将两边融合起来的措施,已经得到了较好的效用,其常识平常以规则的花样出现。但在周边知识图谱中,由于局部平整并不是单独于实体元组的,所以这个规则所能覆盖的实例仅占一小部分,如:\(\forall x: \rm{isMan}(x)\Rightarrow
\rm{isMortal}(x)\)。

正文提议将隐式的平整融入到实体和事关的分布式表示中。本文首先想起了Riedel
et al.
(2013)的工作
,在该工作中,作者用多少个向量\(\boldsymbol{r,t}\)来分别表征关系和实体元组(头尾实体对),优化的靶子是:\(\boldsymbol{r_p^{\rm{T}}t_p\leq
r_q^{\rm{T}}t_q}\),其中\(p\)代表负例的标识。并以此优化目的定义相应的损失函数:

\[\mathcal{L}_R=\sum_{(r,t_q)\in
\mathcal{O},t_p\in \mathcal{T},(r,t_p)\notin
\mathcal{O}}l_R(\boldsymbol{r^\rm{T}[t_p-t_q]})\]

为了将如:\(\forall t\in \mathcal(T):
(r_p,t)\Rightarrow
(r_q,t)\)的规则融入分布式表示,本文模仿上述办法,可以将上述规则转化为:

\[\forall t\in
\mathcal{T}:\boldsymbol{r_p^{\rm{T}}t_p\leq
r_q^{\rm{T}}t_q}\]

也就是左侧元组分数越高,左侧元组分数必然更高,从而达成右边元组创造,左边一定创造的推理原则。同时优化损失函数:

\[\mathcal{L}_R=\sum_{\forall t \in
\mathcal{T}}l_R(\boldsymbol{[t_p-t_q]^\rm{T}\tilde
t})\]

其中,\(\boldsymbol{\tilde
t}:=t/{||t||_1}\)。

为了缩小总括费用,同时到达独立于实体元组的目的,本文对目标损失函数做了如下修改:

\[\mathcal{L}_I=\sum_{\forall t \in
\mathcal{T}}l_I(\sum_{i=1}^{k}\tilde
t_i\boldsymbol{[t_p-t_q]^\rm{T}\bf{1}_i})\]

一发有:

\[\mathcal{L}_I\leq
\sum_{i=1}^{k}l_I(\boldsymbol{[t_p-t_q]^\rm{T}\bf{1}_i})\sum_{\forall
t \in \mathcal{T}}\tilde t_i\]

令:

\[\mathcal{L}_I^U:=
\sum_{i=1}^{k}l_I(\boldsymbol{[t_p-t_q]^\rm{T}\bf{1}_i})\]

透过最小化损失函数\(\mathcal{L}_I^U\),能够将隐式规则\((r_p,t)\Rightarrow
(r_q,t)\)融入到表示中。其他细节请参考原文,这里不做赘述。

Representation Learning of Knowledge Graphs with Hierarchical Types

  • 作者:Ruobing Xie, Zhiyuan Liu, Maosong Sun
  • 机构:Tsinghua University

正文面向知识图谱的象征学习任务,提议融入实体类型音讯援助知识图谱的代表学习。

正文叙述:近日的大部分艺术专注于接纳知识图谱中三元组结构的表示学习,而忽视了融入实体类型的音信。对于实体而言,对于不同的档次含义应该享有不同的表示。本文从Freebase中赢得实体的类型新闻,并将其层次化表示,并统筹了二种编码情势,对于不同的涉嫌通过参数调整取得相应的实体表示。

Knowledge Representation Learning with Entities, Attributes and Relations

  • 作者:Yankai Lin, Zhiyuan Liu, Maosong Sun
  • 机构:Tsinghua University

正文面向知识图谱的代表学习任务,提议使用实体、属性、关系六个要平素拓展表示学习。

本文提议对性能和涉及加以区别,并在代表学习的进程中区分对待,本文首先提议属性与关系的区别,本文叙述:属性的值一般是架空的定义,如性别与工作等;而且经过总括发现,属性往往是多对一的,而且对于特定的习性,其取值大多来自一个小集合,如性别。对涉及与特性拔取不同的束缚措施开展独立表示学习,同时提议属性之间的更强的羁绊关系。本文想法新颖,很值得借鉴。

bet365娱乐场官网 12

相关文章