【ACL2019】基于学习注意力机制的知识图谱中关系预测的嵌入 Learning Attention-based Embeddings for Relation Prediction in Knowledge Graphs

题目： Learning Attention-based Embeddings for Relation Prediction in Knowledge Graphs

摘要： 近年来随着知识图谱(KGs)的大量涌现，加上实体间缺失关系(链接)的不完全或部分信息，催生了大量关于知识库补全(也称为关系预测)的研究。最近的一些研究表明，基于卷积神经网络(CNN)的模型能够生成更丰富、更有表现力的特征嵌入，因此在关系预测方面也有很好的表现。然而，我们观察到这些KG嵌入独立地处理三元组，因此不能捕获到三元组周围的复杂和隐藏的信息。为此，本文提出了一种新的基于注意的特征嵌入方法，该方法能同时捕获任意给定实体邻域内的实体特征和关系特征。此外，我们还在模型中封装了关系集群和多跳关系。我们的实验研究为我们基于注意力的模型的有效性提供了深入的见解，并且与所有数据集上的最先进的方法相比，有显著的性能提升。