【WWW2021】充分利用层级结构进行自监督分类法扩展

分类法是一种层次结构的知识图谱，在机器智能中起着至关重要的作用。分类法扩展任务旨在为现有分类法中的新术语找到一个位置，以捕获世界上正在出现的知识，并保持分类法的动态更新。以往的分类法扩展解决方案忽略了层次结构所带来的有价值的信息，只评估了增加的一条边的正确性，从而将问题降级为节点对评分或小路径分类。在本文中，我们提出了层次扩展框架(HEF)，充分利用层次结构的特性，最大限度地提高扩展分类的一致性。HEF在多个方面利用了分类法的层次结构: (i) HEF利用包含相关节点最多的子树作为自监督数据，对亲兄弟关系进行完整的比较; (ii) HEF采用一致性建模模块，通过整合hypernymy关系检测和多个树独占特征来评估分类子树的一致性; iii) HEF引入了位置选择的拟合得分，明确评价路径选择和水平选择，并充分利用亲代关系交换信息进行消歧和自我修正。大量的实验表明，通过更好地利用层次结构和优化分类法的一致性，HEF在三个基准数据集上的准确率平均提高了46.7%，平均倒数排名提高了32.3%。

https://www.zhuanzhi.ai/paper/adeba9959c7b75259d5b83a0e99d79e2