【WWW2021】RETA:一种模式感知的、用于知识图谱中实例补全的端到端解决方案

知识图谱(KG)补全被广泛研究，以解决现代知识图谱中的不完整性问题(即缺少事实)。知识图谱中的一个事实被表示为一个三元组(ℎ，𝑟，𝑡)，通过一个关系𝑟连接两个实体ℎ和𝑡。现有的工作主要考虑链接预测来解决这个问题，即给定一个三元组中的两个元素来预测缺失的那个元素，例如(ℎ，𝑟，?)然而，这项任务对三元组中的两个给定元素有一个强有力的假设，这两个元素必须是相关的，否则就会导致毫无意义的预测，例如(居里夫人，总部的位置，?)此外，KG补全问题也被表述为一个关系预测任务，即预测给定实体ℎ的关系𝑟。在没有预测𝑡的情况下，这项任务离完成KG的最终目标还有一步之遥。在此背景下，本文研究了一个实例完成任务，为给定的ℎ提出了𝑟-𝑡对，即(ℎ，?，?)我们提出了一个端到端解决方案，称为RETA(因为它暗示了给定头部实体的关系和尾部)，由两个组件组成:RETA- filter和RETA- grader。更准确地说，我们的RETA-Filter首先通过提取和利用KG的模式为给定的ℎ生成候选的𝑟-𝑡对;然后，我们的RETA-Grader使用一个新设计的KG嵌入模型，考虑候选三元组及其对应模式的可信性，对候选𝑟-𝑡对进行评估和排名。我们在三个真实世界的KG数据集上评估我们的方法与相当数量的先进技术的收集。结果表明，我们的RETA-Filter生成了高质量的候选𝑟-𝑡对，在相同的候选质量保证下，候选数量减少了10.61%-84.75%，优于最佳基准技术。此外，我们的RETA-Grader在实例完成任务上也显著优于最先进的链接预测技术，在不同的数据集上提高了16.25%- 65.92%。

https://exascale.info/assets/pdf/rosso2021www.pdf

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“RETA” 就可以获取《【WWW2021】RETA:一种模式感知的、用于知识图谱中实例补全的端到端解决方案》专知下载链接

专知，专业可信的人工智能知识分发 ，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源