近期必读五篇顶会 ACL 2020【知识图谱表示学习 (KGR) 】相关论文

【导读】计算语言学协会（the Association for Computational Linguistics, ACL）年度会议作为顶级的国际会议，在计算语言学和自然语言处理领域一直备受关注。今年，第58届计算语言学协会（the Association for Computational Linguistics, ACL）年度会议将于2020年7月5日至10日在美国华盛顿西雅图举行。受COVID-19疫情影响，ACL 2020将全部改为线上举行。本次ACL大会共提交了3429篇论文，共有571篇长论文、以及208篇短论文入选。不久之前，专知小编为大家整理了大会的图神经网络（GNN）相关论文，上周，专知小编为大家整理了大会的图神经网络（GNN）相关论文，这期小编继续为大家奉上ACL 2020知识图谱表示学习（KGR）相关论文供参考——开放域知识图谱嵌入、Multi-hop QA、双曲嵌入、图上下文建模、SEEK ACL2020GNN_Part2、ACL2020GNN_Part1、WWW2020GNN_Part1、AAAI2020GNN、ACMMM2019GNN、CIKM2019GNN、ICLR2020GNN

1. Can We Predict New Facts with Open Knowledge Graph Embeddings? A Benchmark for Open Link Prediction

作者：Samuel Broscheit, Kiril Gashteovski, Yanjie Wang, Rainer Gemulla

摘要：开放式信息抽取系统从原始文本中抽取(“主体文本”、“关系文本”、“客体文本”)三元组。有些三元组是事实的文本版本，即对实体和关系的非规范化提及。在这篇文章中，我们调查是否有可以不需要对精选的知识进行任何规范化或监督，直接从开放的知识图中推断出新的事实。为此，我们提出了一个open的链接预测任务，即通过补全(“主体文本”，“关系文本”，？)来预测测试事实问题。在这样设置中的评估提出了如下这个问题：正确的预测是由开放域知识图上的推理所诱导的新事实，还是说可以简单地解释。例如，事实可能出现在不同的措辞文本变体中。为此，我们提出了一种评估协议和建立了开放域链接预测基准的方法--OLPBENCH。我们使用一个用于开放域链接预测的典型知识图嵌入模型进行了实验。虽然这项任务非常具有挑战性，但我们的结果表明，预测真正的新事实是可能的，并且这是不能简单解释的。

网址： https://www.uni-mannheim.de/media/Einrichtungen/dws/Files_People/Profs/rgemulla/publications/broscheit20-olpbench.pdf

2. Improving Multi-hop Question Answering over Knowledge Graphs using Knowledge Base Embeddings

作者：Apoorv Saxena, Aditay Tripathi, Partha Talukdar

摘要：知识图(KG)是由实体作为节点，实体之间的关系作为类型边组成的多关系图。KGQA任务的目标是回答在KG上提出的自然语言问题。多跳（Multi-hop）KGQA需要在KG的多个边上进行推理才能得到正确的答案。KG通常是不完整的，有许多缺失的链接，这给KGQA带来了额外的挑战，特别是对于多跳KGQA。最近关于多跳KGQA的研究试图使用相关的外部文本来处理KG稀疏性，但这并不总是容易获得的。在另一项研究中，已经提出了通过执行缺失链接预测来降低KG稀疏的KG嵌入方法。这种KG嵌入方法虽然高度相关，但到目前为止还没有被探索用于多跳KGQA。本文填补了这一空白，提出了EmbedKGQA。EmbedKGQA在稀疏KG上执行多跳KGQA特别有效。EmbedKGQA还放宽了从预先确定的邻域中选择答案的要求，这是以前的多跳KGQA方法实施的次优约束。通过在多个基准数据集上的广泛实验，我们证明了EmbedKGQA在其他最先进的基线上的有效性。

网址： https://malllabiisc.github.io/publications/papers/final_embedkgqa.pdf

代码链接：

https://github.com/malllabiisc/EmbedKGQA

3. Low-Dimensional Hyperbolic Knowledge Graph Embeddings

作者：Ines Chami, Adva Wolf, Da-Cheng Juan, Frederic Sala, Sujith Ravi, Christopher Ré

摘要：知识图(KG)嵌入学习实体和关系的低维表示，用于预测另外实体或者补全关系。KG通常表现出必须保留在嵌入空间中的分层和逻辑模式。对于分层数据，双曲嵌入（hyperbolic embedding）方法在高保真和简约表示方面显示出了希望。然而，现有的双曲嵌入方法没有考虑KG中丰富的逻辑模式。在这项工作中，我们引入了一类同时捕捉层次模式和逻辑模式的双曲KG嵌入模型。我们的方法结合了双曲线反射和旋转，并注意建模复杂的关系模式。在标准KG基准上的实验结果表明，我们的方法在低维的MRR（mean reciprocal rank）上比以前的基于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获不同类型的关系，而基于注意力的变换概括为多个关系。在高维方面，我们的方法在WN18RR上的MRR为49.6%，在YAGO3-10上的MRR为57.7%。

网址： https://arxiv.org/abs/2005.00545

4. Orthogonal Relation Transforms with Graph Context Modeling for Knowledge Graph Embedding

作者：Yun Tang, Jing Huang, Guangtao Wang, Xiaodong He, Bowen Zhou

摘要：基于距离的知识图嵌入已经在知识图链接预测任务上有了实质性的改进，从TransE到目前最先进的RotatE。然而，诸如 N-to-1, 1-to-N和N-to-N的复杂关系仍然难以预测。在这项工作中，我们提出了一种新的基于距离的知识图链接预测方法。首先，通过对模型关系的正交变换，将RotatE从二维复数域扩展到高维空间。关系的正交变换嵌入保持了对于对称/反对称关系、逆关系和复合关系的建模能力，同时具有更好的建模能力。其次，将图形上下文直接集成到距离评分函数中。具体地说，图上下文是通过两个有向上下文表示来显式建模的。嵌入到知识图中的每个节点都增加了两个上下文表示，这两个上下文表示分别从相邻的传出节点/边和传入节点/边计算得到。该方法提高了N-to-1, 1-to-N和N-to-N情况下的预测精度。实验结果表明，该算法在两个常用的基准测试FB15k237和WNRR-18上都取得了最好的结果，特别是在节点数较多的FB15k-237上。

网址： https://arxiv.org/abs/1911.04910

5. SEEK: Segmented Embedding of Knowledge Graphs

作者：Wentao Xu, Shun Zheng, Liang He, Bin Shao, Jian Yin, Tie-Yan Liu

摘要：近年来，知识图嵌入成为人工智能领域的研究热点，在推荐、问答等各种下游应用中发挥着越来越重要的作用。然而，现有的知识图嵌入方法没有在模型复杂度和模型表现力之间取得适当的折衷，这使得它们仍然远远不能令人满意。为了缓解这一问题，我们提出了一个轻量级的建模框架，它可以在不增加模型复杂度的情况下获得具有高度竞争力的关系表达能力。我们的框架侧重于评分函数的设计，并突出了两个关键特征：1)促进充分的特征交互；2)保持关系的对称性和反对称性。值得注意的是，由于评分函数设计的通用性和美观性，我们的框架可以将现有的许多著名的方法作为特例合并在一起。此外，在公共基准上的大量实验证明了该框架的有效性。