最新必读的六篇「知识图谱表示学习KGRL」2020顶会论文和代码

【导读】知识图谱是学术界和工业界近年来关注的焦点。2020年最近以来，KDD、ICML、ACL、IJCAI会议论文公布，专知小编整理了最新8篇关于知识图谱的论文，来自Amazon、CMU、斯坦福、Google等，请大家查看！

1、MultiImport: Inferring Node Importance in a Knowledge Graph from Multiple Input Signals（推断知识图谱节点重要性），KDD 2020

摘要：给定多个输入信号，我们如何推断知识图谱(KG)中的节点重要性?节点重要性估计是一项非常重要和具有挑战性的任务，它可以为许多应用带来好处，包括推荐、搜索和查询消歧。实现这一目标的一个关键挑战是如何有效地利用来自不同来源的输入。一方面，KG是一个丰富的信息源，具有多种类型的节点和边。另一方面，有外部输入信号，如投票或页面浏览量，可以直接告诉我们实体在KG中的重要性。虽然已经开发了一些方法来解决这个问题，但它们对这些外部信号的使用受到了限制，因为它们没有同时考虑多个信号的输入。在本文中，我们提出了一个端到端的多输入模型，它从多个可能重叠的输入信号中推断出潜在节点的重要性。MultiImport是一种潜在的变量模型，它捕捉节点重要性与输入信号之间的关系，有效地从多个可能存在冲突的信号中学习。同时，MultiImport提供了一种基于注意力图神经网络的有效估计器。我们在真实的KGs上进行了实验，表明MultiImport处理了多个涉及从多个输入信号推断节点重要性的挑战，并且始终优于现有方法，实现了比最先进的方法高23.7%的NDCG@100。

论文地址：

https://arxiv.org/abs/2006.12001

2、Low-Dimensional Hyperbolic Knowledge Graph Embeddings（低维双曲知识图谱嵌入），ACL 2020

摘要：知识图谱(KG)嵌入通过学习实体和关系的低维表示，以预测缺失事实。KGs通常具有层次结构和逻辑模式，必须在嵌入空间中保留这些模式。对于分层数据，双曲嵌入方法已显示出高保真度和简洁表示的优势。然而，现有的双曲嵌入方法不能解释KGs中丰富的逻辑模式。在本工作中，我们引入了一类双曲KG嵌入模型，可以同时捕获层次和逻辑模式。我们的方法结合双曲反射和旋转注意力模型复杂的关系模式。在标准KG基准上的实验结果表明，我们的方法在低维的平均倒数(MRR)方面比预先的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捉不同类型的关系，而基于注意的变换则推广到多重关系。在高维情况下，我们的方法在WN18RR和YAGO3-10上分别获得了49.6%和57.7%的最先进的MRR。

论文地址： https://www.zhuanzhi.ai/paper/c929578a71dcc0545a5ab0d15379828d

3、Orthogonal Relation Transforms with Graph Context Modeling for Knowledge Graph Embedding（正交关系转换与图上下文建模的知识图谱嵌入），ACL 2020

摘要：基于距离的知识图谱嵌入已经在知识图谱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谱链接预测方法。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。

论文地址：

https://www.zhuanzhi.ai/paper/95c6de11bba8e20d6247977d1481a9a5

4、SEEK: Segmented Embedding of Knowledge Graphs（知识图谱可分割嵌入），ACL 2020

摘要：近年来，知识图谱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，现有的知识图谱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。

论文地址：

https://www.zhuanzhi.ai/paper/287e7f984d9160af6c2b3c5311438ba6

5、Reasoning Like Human: Hierarchical Reinforcement Learning for Knowledge Graph Reasoning（层次强化学习知识图谱推理），IJCAI 2020

摘要：知识图谱通常存在不完备性。知识图谱补全的一种流行方法是通过对连接两个实体的其他路径上发现的信息进行多跳推理来推断丢失的知识。然而，多跳推理仍然具有挑战性，因为推理过程通常经历多个语义问题，即一个关系或一个实体具有多个含义。针对这种情况，我们提出了一种新的层次强化学习框架来自动地从知识图谱中学习推理链。我们的框架是受层次结构的启发，通过人类处理认知模糊的情况。整个推理过程分解为两层强化学习策略，用于编码历史信息和学习结构化行动空间。因此，处理多重语义问题更加可行和自然。实验结果表明，我们提出的模型在模糊关系任务方面取得了显著的改进。

论文地址：

https://www.ijcai.org/Proceedings/2020/267

6、TransOMCS: From Linguistic Graphs to Commonsense Knowledge（从语言图谱到常识图谱），IJCAI 2020

摘要：常识的获取是人工智能的关键问题。传统的获取常识的方法通常需要费力而昂贵的人工注释，这在大规模上是不可行的。本文探讨了一种实用的从语言图中挖掘常识知识的方法，目的是将用语言模式获得的廉价知识转化为昂贵的常识知识。其结果是将大规模选择偏好知识资源ASER [Zhang et al.， 2020]转换为与ConceptNet表示相同但比前者大两个数量级的TransOMCS [Liu and Singh, 2004]。实验结果表明，该方法在数量、新颖性和质量上都是有效的。TransOMCS可以通过以下网址公开访问。

https://github.com/HKUST-KnowComp/TransOMCS