筆記整理 | 陳湘楠，浙江大學在讀碩士。

---

現有的知識圖譜補全方法都在試圖設計全新的學習算法，來使用已知的事實信息去推理知識圖譜中的潛在語義。但隨著知識圖譜的廣泛使用，知識圖譜中的許多實體對應著應用程序系統的在線項目。但知識圖譜和應用程序這兩種數據源具有不同的內在特征，簡單的融合策略反而會影響知識圖譜的性能。本文首先基于圖神經網絡提出一種協同表示學習算法從應用系統中的用戶交互數據中挖掘其對應的實體偏好信息，之后提出一種對抗學習方法UPGAN，將學習到的實體偏好信息用于知識圖譜補全任務。

本文方法概覽如下：

1.協同表示學習算法

• 學習以實體為導向的用戶偏好

其中是用戶結點初始的表示學習，表示概覽圖中的結點。表示對于實體n_j在概覽圖中的的前向三元組。

• 學習用戶偏好增強的實體表示

其中表示對于實體n_j在概覽圖中的的前向三元組。

2.對抗學習

對抗學習要優化的目標函數

其中θ^G表示生成器G的參數，θ^D表示判別器D的參數。對于生成器G,通過生成候選實體，計算公式和生成器的損失函數如下：

對于判別器D，通過計算候選實體是答案的概率，計算公式和判別器的損失函數如下：

實驗部分作者構建了三種不同用戶交互領域的數據集：電影、音樂和書籍。并分別在這三個數據集中做鏈接預測任務。實驗結果如下：

從實驗結果中可以看出UPGAN相較于其他可比較的方法，在鏈接預測任務上都有明顯提升，并且能更好地利用用戶偏好信息。

歡迎有興趣的同學閱讀原文。

?

---

?

OpenKG

開放知識圖譜（簡稱 OpenKG）旨在促進中文知識圖譜數據的開放與互聯，促進知識圖譜和語義技術的普及和廣泛應用。

點擊閱讀原文，進入 OpenKG 網站。

總結

以上是生活随笔為你收集整理的论文浅尝 - WWW2020 | 通过对抗学习从用户—项目交互数据中挖掘隐含的实体偏好来用于知识图谱补全任务...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。