【ACL 2020】低维双曲知识图谱嵌入，Low-Dimensional Hyperbolic Knowledge Graph Embeddings

题目： Low-Dimensional Hyperbolic Knowledge Graph Embeddings

摘要： 知识图谱(KG)嵌入通过学习实体和关系的低维表示，以预测缺失事实。KGs通常具有层次结构和逻辑模式，必须在嵌入空间中保留这些模式。对于分层数据，双曲嵌入方法已显示出高保真度和简洁表示的优势。然而，现有的双曲嵌入方法不能解释KGs中丰富的逻辑模式。在本工作中，我们引入了一类双曲KG嵌入模型，可以同时捕获层次和逻辑模式。我们的方法结合双曲反射和旋转注意力模型复杂的关系模式。在标准KG基准上的实验结果表明，我们的方法在低维的平均倒数(MRR)方面比预先的欧几里得和双曲的工作提高了6.1%。此外，我们观察到不同的几何变换捕捉不同类型的关系，而基于注意的变换则推广到多重关系。在高维情况下，我们的方法在WN18RR和YAGO3-10上分别获得了49.6%和57.7%的最先进的MRR。