【ACL2020-斯坦福大学】低维双曲线知识图谱嵌入，Low-Dimensional Hyperbolic Knowledge Graph Embeddings (ACL 2020)

主题： Low-Dimensional Hyperbolic Knowledge Graph Embeddings

摘要： 知识图谱（KG）嵌入学习实体和关系的低维表示，以预测缺失的内容。 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，双曲线嵌入方法已显示出对高保真和简约表示的希望。但是，现有的双曲线嵌入方法无法解决KG中的丰富逻辑模式。在这项工作中，我们介绍了一类双曲KG嵌入模型，该模型同时捕获层次结构和逻辑模式。我们的方法将双曲线反射和旋转结合在一起，以注意对复杂的关系模式进行建模。在标准KG基准上的实验结果表明，我们的方法在较低维度上的平均倒数排名（MRR）比以前的基于欧几里德和双曲线的方法提高了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则泛化为多个关系。在高维度上，我们的方法在WN18RR上产生了49.6％的最新技术水平，在YAGO3-10上产生了57.7％的最新技术水平。