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%。
成为VIP会员查看完整内容
RETA: A Schema-Aware, End-to-End Solution for Instance Completion in Knowledge Graphs
相关内容
知识图谱（Knowledge Graph），在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。它能为学科研究提供切实的、有价值的参考。
Arxiv
1+阅读 · 2021年6月3日
Arxiv
6+阅读 · 2020年10月30日
Arxiv
20+阅读 · 2019年10月25日
相关VIP内容
相关资讯
相关论文
Arxiv
1+阅读 · 2021年6月3日
Arxiv
6+阅读 · 2020年10月30日
Arxiv
20+阅读 · 2019年10月25日
微信扫码咨询专知VIP会员