通過頭實體和關(guān)系子空間之間的相互作用和標(biāo)量融合學(xué)習(xí)尾實體的表示
中文題目：通過頭實體和關(guān)系子空間之間的相互作用和標(biāo)量融合學(xué)習(xí)尾實體的表示
論文題目：Learning Representations of Tail Entities via Interactions and Scalar Fusions among Subspaces of Head Entities and Relationships
錄用期刊/會議：CAC2024 （CAA A類會議）
錄用時間：2024.9.20
作者列表：
1) 吳芃鲯 中國石油大學(xué)（北京）人工智能學(xué)院 控制科學(xué)與工程 研22級
2) 劉建偉 中國石油大學(xué)（北京）人工智能學(xué)院 自動化系 教師
摘要:
在過去的幾十年里，針對鏈?zhǔn)筋A(yù)測和知識圖譜補全任務(wù)的算法得到了廣泛研究。然而，傳統(tǒng)基于幾何空間嵌入的方法面臨諸如高維度、高計算復(fù)雜度和擴展性差等挑戰(zhàn)。為了解決這些問題，我們提出了一種新模型：基于頭實體和關(guān)系子空間交互與標(biāo)量融合的尾實體表示（RTIFS）。該模型基于一種新的假設(shè)，即頭實體、關(guān)系與尾實體三元組之間的空間關(guān)系可以通過嵌入與抽象來獲取尾實體的信息。實驗表明，與最新的八個先進基線模型相比，RTIFS 在性能上具有競爭力，并且降低了嵌入維度。
背景與動機:
知識圖譜（Knowledge Graphs，KGs）近年來在自然語言處理、數(shù)據(jù)挖掘和推薦系統(tǒng)等領(lǐng)域得到了廣泛應(yīng)用。然而，現(xiàn)有的基于幾何空間嵌入和神經(jīng)網(wǎng)絡(luò)的方法面臨高維度嵌入、高計算復(fù)雜度和可擴展性不足等挑戰(zhàn)。為解決這些問題，本研究旨在提出一種高效、可擴展的新模型，以優(yōu)化知識圖譜鏈?zhǔn)筋A(yù)測和補全任務(wù)。
主要內(nèi)容:
本文提出了一種名為 RTIFS 的新模型。RTIFS 基于新的假設(shè)，認(rèn)為尾實體的信息來自于頭實體和關(guān)系對象子空間的交互。通過編碼，將頭實體和關(guān)系映射到不同的局部子空間，并通過逐元素乘積提取交互信息，從而生成尾實體的全局表示。模型在 FB15k-237 和 WN18RR 數(shù)據(jù)集上進行了實驗，與八個先進模型進行對比，結(jié)果顯示 RTIFS 在保持較低嵌入維度的同時，性能仍然非常優(yōu)越。
圖1 RTIFS的主要架構(gòu)
結(jié)論:
為了解決當(dāng)前知識圖譜鏈?zhǔn)筋A(yù)測任務(wù)中模型的高復(fù)雜度、高嵌入維度和擴展性差的問題，我們提出了基于多空間映射的 RTIFS（Revised Triple Information Fusion and Simplification） 模型。RTIFS 引入了一種關(guān)于三元組對象信息空間關(guān)系的新假設(shè)，通過優(yōu)化計算效率，在低維嵌入的情況下實現(xiàn)了與最先進模型相當(dāng)?shù)男阅堋嶒烌炞C了多空間映射方法的有效性，并為三元組信息的空間關(guān)系提供了新的見解。未來的研究應(yīng)側(cè)重于解碼器的優(yōu)化、正則化方法以及頭實體與關(guān)系信息的集成。
作者簡介:
劉建偉，教師，學(xué)者。發(fā)表學(xué)術(shù)研究論文280多篇。