Knowledge graph (KG) embedding seeks to learn vector representations for entities and relations. Conventional models reason over graph structures, but they suffer from the issues of graph incompleteness and long-tail entities. Recent studies have used pre-trained language models to learn embeddings based on the textual information of entities and relations, but they cannot take advantage of graph structures. In the paper, we show empirically that these two kinds of features are complementary for KG embedding. To this end, we propose CoLE, a Co-distillation Learning method for KG Embedding that exploits the complementarity of graph structures and text information. Its graph embedding model employs Transformer to reconstruct the representation of an entity from its neighborhood subgraph. Its text embedding model uses a pre-trained language model to generate entity representations from the soft prompts of their names, descriptions, and relational neighbors. To let the two model promote each other, we propose co-distillation learning that allows them to distill selective knowledge from each other's prediction logits. In our co-distillation learning, each model serves as both a teacher and a student. Experiments on benchmark datasets demonstrate that the two models outperform their related baselines, and the ensemble method CoLE with co-distillation learning advances the state-of-the-art of KG embedding.
翻译:嵌入知识图( KG) 嵌入知识图( KG) 寻求为实体和关系学习矢量代表。 常规模型比图形结构要多一些, 但是它们受到图表不完整和长尾实体问题的影响。 最近的研究利用了预先训练的语言模型学习基于实体和关系文本信息的嵌入, 但是它们不能利用图表结构。 在文件中, 我们从经验上表明, 这两类特征是KG嵌入的补充。 为此, 我们提议了 KG 嵌入的共同蒸馏学习方法, 即共同蒸馏方法, 利用图表结构和文本信息的互补性。 其图形嵌入模型使用变异器, 将一个实体的代表从其邻里子子子图中重建。 其嵌入模型使用预先训练过的语言模型, 来从实体的名称、 描述和 关系邻里的软提示中产生实体的嵌入。 为了让这两个模型相互促进, 我们提议进行联合蒸馏学习, 让他们从彼此的预测日志中提取选择性的知识。 在我们的编入学习中, 每一个模型都作为教师和学生 学习基础化模型 。 实验了两个基准模型, 学习了它们相关的数据库 。 实验 学习 学习 基准 和 学习 基准模型 学习 基准 学习 学习 学习 基准 学习 学习 基准 基准 学习 基准 基准 模型 模型 模型 学习 学习 基准 基准 基准 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 学习 模型 模型 模型 模型 学习 学习 学习 学习 和 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 测试 和 学习 学习 学习 学习 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型 模型