【AAAI2020知识图谱论文概述】Knowledge Graphs @ AAAI 2020

简介： 今年AAAI 2020接收了1591篇论文，其中有140篇是与图相关的。接下来将会介绍几篇与图和知识图谱相关的几篇论文。以下为内容大纲：

• KG-Augmented Language Models In Diherent Flavours

Hayashi等人在知识图上建立了自然语言生成（NLG）任务的潜在关系语言模型（LRLM）。就是说，模型在每个时间步上要么从词汇表中提取一个单词，要么求助于已知关系。 最终的任务是在给定主题实体的情况下生成连贯且正确的文本。 LRLM利用基础图上的KG嵌入来获取实体和关系表示，以及用于嵌入表面形式的Fasttext。 最后，要参数化流程，需要一个序列模型。作者尝试使用LSTM和Transformer-XL来评估与使用Wikidata批注的Freebase和WikiText链接的WikiFacts上的LRLM。

Liu等人提出了K-BERT，它希望每个句子（如果可能）都用来自某些KG的命名实体和相关（谓词，宾语）对进行注释。 然后，将丰富的句子树线性化为一个新的位置相似嵌入，并用可见性矩阵进行遮罩，该矩阵控制输入的哪些部分在训练过程中可以看到并得到关注。

Bouraoui等人进一步评估了BERT的关系知识，即在给定一对实体（例如，巴黎，法国）的情况下，它是否可以预测正确的关系。 作者指出，BERT在事实和常识性任务中通常是好的，而不是糟糕的非词性任务，并且在形态任务中相当出色。

• Entity Matching in Heterogeneous KGs

不同的KG具有自己的模型来建模其实体，以前，基于本体的对齐工具仅依靠此类映射来标识相似实体。 今天，我们有GNN只需少量培训即可自动学习此类映射！

Sun等人提出了AliNet，这是一种基于端到端GNN的体系结构，能够对多跳邻域进行聚合以实现实体对齐。 由于架构异质性，由于相似的实体KG的邻域不是同构的，因此任务变得更加复杂。 为了弥补这一点，作者建议关注节点的n跳环境以及具有特定损失函数的TransE样式关系模式。

Xu等人研究了多语言KG（在这种情况下为DBpedia）中的对齐问题，其中基于GNN的方法可能陷入“多对一”的情况，并为给定的目标实体生成多个候选源实体。 作者研究了如何使他们的预测中的GNN编码输出更加确定。

• Knowledge Graph Completion and Link Prediction

AAAI’20标记并概述了两个增长趋势：神经符号计算与临时性的KG越来越受到关注。

• KG-based Conversational AI andQuestion Answering

AAAI’20主持了“对话状态跟踪研讨会”（DSTC8）。 该活动聚集了对话AI方面的专家，包括来自Google Assistant，Amazon Alexa和DeepPavlov的人员。在研讨会上，多个专家都提出了对话AI的相关研究方法。