直播 | NeurIPS 2021：基于投影变换建模传递关系的知识图谱表示学习

「AI Drive」是由 PaperWeekly 和 biendata 共同发起的学术直播间，旨在帮助更多的青年学者宣传其最新科研成果。我们一直认为，单向地输出知识并不是一个最好的方式，而有效地反馈和交流可能会让知识的传播更加有意义，从而产生更大的价值。

本期 AI Drive，我们邀请到北京航空航天大学博士生宋腾炜，为大家在线解读其发表在 NeurIPS 2021 的最新研究成果：Rot-Pro: Modeling Transitivity by Projection in Knowledge Graph Embedding。对本期主题感兴趣的小伙伴，12 月 2 日（本周四）晚 7 点，我们准时相约 PaperWeekly 直播间。

直播信息

知识图谱表示学习模型通过学习知识图谱中实体和关系的表示，用于预测实体之间缺失的链接（关系），而这些模型的性能很大程度上受模型推断不同关系模式能力的影响。目前常见的关系模式有对称、非对称、互逆、组合和传递等。尽管现有模型已经能够对这些关系模式中的大部分进行建模，但当前模型还未能支持建模传递关系性这一常见的关系模式。

在本文中，我们首先从理论上证明了传递关系可以用一种通用的投影变换进行建模。然后我们提出了一种能够将投影变换和关系的旋转结合在一起的知识表示模型，Rot-Pro。我们证明了 Rot-Pro 可以推断出上述所有关系模式。实验结果表明，Rot-Pro 模型能够有效地学习传递模式，并在包含传递关系的数据集中展现了良好的链接预测结果。

论文标题：

Rot-Pro: Modeling Transitivity by Projection in Knowledge Graph Embedding

论文链接：

https://arxiv.org/abs/2110.14450

本次分享的具体内容有：  

• 知识图谱表示学习及关系模式

• 传递关系建模：使用投影变换建模传递性

• Rot-Pro：模型的建模及优化过程

• 实验结果及讨论

• 未来工作

嘉宾介绍

 宋腾炜 / 北京航空航天大学博士生 

宋腾炜。北京航空航天大学博士研究生。主要研究方向为知识图谱表示学习，本体语义约束，以及时序知识图谱的建模。

直播地址 & 交流群

本次直播将在 PaperWeekly 视频号和 B 站直播间进行，扫描下方海报二维码或点击阅读原文即可免费观看。线上分享结束后，嘉宾还将在直播交流群内实时 QA，在 PaperWeekly 微信公众号后台回复「AI Drive」，即可获取入群通道。

视频号直播间：

扫描下方二维码关注 PaperWeekly 视频号，第一时间获取开播提醒。

B 站直播间：

https://live.bilibili.com/14884511

合作伙伴

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

·