【WWW2020-人大】通过对抗性学习从用户-项目交互数据中挖掘隐含的实体偏好以完成知识图谱补全

知识图谱补全(KGC)任务的目的是自动推断知识图谱(KG)中缺失的事实信息。在本文中，我们采用了一个新的视角，旨在利用丰富的用户-项目交互数据(简称用户交互数据)来改进KGC任务。我们的工作灵感来自于许多KG实体对应于应用程序系统中的在线项目的观察。然而，这两种数据源具有非常不同的内在特性，使用简单的融合策略可能会影响原始的性能。

为了解决这一挑战，我们提出了一种利用KGC任务的用户交互数据的新颖的对抗性学习方法。我们的生成器是与用户交互数据隔离的，用于提高鉴别器的性能。鉴别器将从用户交互数据中学习到的有用信息作为输入，逐步增强评价能力，以识别生成器生成的虚假样本。为了发现用户的隐式实体偏好，我们设计了一种基于图神经网络的协同学习算法，该算法将与鉴别器共同优化。这种方法可以有效地缓解KGC任务的数据异构性和语义复杂性问题。在三个真实数据集上的大量实验证明了我们的方法在KGC任务上的有效性。