鏈接：http://cn.arxiv.org/pdf/1808.09040

動機

如今的知識圖譜規模很大但是完成度不高，long-tail關系在知識圖譜中很常見，之前致力于完善知識圖譜的方法對每個關系都需要大量的訓練樣本（三元組），而新加入的關系其樣本數量通常不是很多。為解決這個問題，本文提出了one-shot場景下的關系學習模型，該模型通過學習實體的embedding和相應的局部圖結構來獲得一個匹配度量函數，最終推導出新的三元組。

亮點

本文提出的模型有以下亮點：

（1）只依賴于實體的embedding和局部圖結構（之前的方法依賴于關系的良好表示）；

（2）一旦訓練完成便可以預測任何關系（之前的方法需要微調來適應新的關系）

概念

本文主要針對(h,r,?)類型的推測，即從候選集合中選出最合適的t來構造新的三元組(h,r,t)，主要符號含義如下：

?

??????? G{(h,r,t)}：即原始KG，三元組集合

??????? ：對應于G中的一個關系（任務），每個 T_r 中所有三元組的r相同

??????? ：任務集合

??????? ：只含有一個三元組(h_0,r,t_0)

??????? ：C_(h_i,r) 為候選t集合

??????? G'：G的子集，作為背景知識

模型

本文的模型由兩部分組成:

（1）?? Neighbor Encoder

該模塊利用局部圖結構對（h,t）實體對進行編碼，首先對任意h/t構建其one-hop Neighbor set N_e，再利用Encoding function f(N_e)編碼，最后將 h 和 t 的編碼連接起來便得到(h,t)實體對的表示，f(N_e )形式如下：

??

（2）?? Matching processor

對于候選集 C_(h_i,r) 中的每一個 t_(i,j)，利用LSTM計算 (h_i,t_(i,j)) 和 (h_0,t_0) 的相似度，相似度最高的 t_(i,j) 即為 (h_i,r) 對應的t，迭代過程如下：

?

實驗?????????????????????????????????????????????????????????????????????????

⑴數據集

本文的兩個數據集NELL-One和Wiki-One是作者分別基于NELL和Wikidata構建（選取其中三元組數量在50~500之間的關系）。

⑵實驗結果

作者將本文提出的模型（GMatching）與之前基于embedding的模型在NELL-One和Wiki-One兩個數據集上進行了比較，結果顯示該模型各項指標均優于之前的模型。

總結??????????????????????????????????????????????????

本文提出的模型利用實體的局部圖結構以及學習度量來匹配實體對，一經訓練可以直接適用于預測任何關系，并在one-shot場景下表現出優越性能。

?

論文筆記整理：楊帆，浙江大學碩士，研究方向為知識圖譜、自然語言處理。

?

---

OpenKG.CN

中文開放知識圖譜（簡稱OpenKG.CN）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 博客。

總結

以上是生活随笔為你收集整理的论文浅尝 | 知识图谱的单样本关系学习的全部內容，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。