Встраивание графа знаний посредством трансляций на гиперплоскостях
Knowledge Graph Embedding by Translating on Hyperplanes
2014-06-21
SCID: 54.1/xfx7hmub
Discuss with AI
TransETransHвстраивание графа знанийпрогнозирование связейперенос на гиперплоскости
Figures from the paper
Abstract (AI)
Мы рассматриваем задачу встраивания крупномасштабного графа знаний, состоящего из сущностей и отношений, в непрерывное векторное пространство. TransE — это недавно предложенный перспективный метод, обладающий высокой эффективностью и обеспечивающий современную предсказательную точность. Мы обсуждаем несколько свойств отображения отношений, которые следует учитывать при встраивании, такие как рефлексивность, «один-ко-многим», «многие-ко-одному» и «многие-ко-многим», и отмечаем, что TransE плохо справляется с этими свойствами. Некоторые более сложные модели способны сохранять эти свойства отображения, но при этом теряют в эффективности. Для лучшего компромисса между емкостью модели и эффективностью мы предлагаем TransH, который моделирует отношение как гиперплоскость совместно с операцией трансляции на ней. Такой подход лучше сохраняет указанные свойства отношений при почти той же вычислительной сложности, что и TransE. Кроме того, поскольку практические графы знаний часто далеки от полноты, важно правильно формировать отрицательные примеры, чтобы уменьшить число ложных негативных меток при обучении. Используя свойство отношения «один-ко-многим/многие-ко-одному», мы предлагаем простой прием для снижения вероятности ложного негативного разметки. Мы проводим обширные эксперименты по задаче предсказания связей, классификации триплетов и извлечения фактов на эталонных наборах данных, таких как WordNet и Freebase. Эксперименты показывают, что TransH обеспечивает существенное улучшение предсказательной точности по сравнению с TransE при сопоставимой масштабируемости.
Key Findings
1
В работе предложен простой метод отрицательной выборки, использующий свойства отношений один-ко-многим/многие-к-одному для уменьшения ложных негативных меток при обучении.
2
TransE плохо моделирует свойства отображения отношений, такие как рефлексивность, один-ко-многим, многие-к-одному и многие-ко-многим.
3
TransH обеспечивает существенные улучшения по точности предсказаний по сравнению с TransE на эталонных наборах данных (WordNet, Freebase), при сопоставимой масштабируемости и сложности модели.
4
TransH сохраняет почти ту же эффективность, что и TransE, но улучшает способность обрабатывать сложные отображения отношений, что подтверждается экспериментами по предсказанию связей, классификации триплетов и извлечению фактов.
5
TransH моделирует каждое отношение как гиперплоскость с операцией трансляции на ней, что позволяет лучше сохранять эти свойства отображения.
Research Object
Модель встраивания (эмбеддингов) для графа знаний, содержащего сущности и отношения (TransH)
Research Subject
Моделирование отношений как гиперплоскостей с операцией сдвига для сохранения свойств отображений (рефлексивность, один-ко-многим, многие-к-одному, многие-ко-многим) и повышения точности предсказания связей/классификации триплетов при сохранении эффективности
Publication Details
Publication Date
2014-06-21
Journal
Publisher
ISSN
Cited by
3982
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai2
Работы, цитирующие эту статью19
Обучение встраиваний сущностей и отношений для дополнения графа знаний2015
Обзор графов знаний: представление, получение и приложения2021
Встраивание графа знаний: обзор подходов и приложений2017
Графы знаний2021
Встраивание (эмбеддинг) графа знаний с помощью динамической матрицы отображения2015
Обзор рекомендательных систем на основе графов знаний2020
DeepPath: метод обучения с подкреплением для логического вывода в графах знаний2017
Встраивание графов знаний для предсказания связей2021
Графы знаний: возможности и проблемы2023
Голографические вложения графов знаний2016
TransG: генеративная модель для встраивания графов знаний2016
Дополнение графов знаний: обзор2020
Построение графов знаний и их биомедицинские применения2020
Обогащение контекстуализированных языковых моделей графами знаний для извлечения биомедицинской информации2020
Переоценка методов дополнения графов знаний2020
Граф знаний и рассуждения на графах знаний: систематический обзор2022
Построение графов знаний: современное состояние и проблемы2024
Тройная классификация для дополнения научных графов знаний2021
Генерация исследовательских гипотез на основе научных графов знаний2025