【阅读笔记】：End-to-end Structure-Aware Convolutional Networks for Knowledge Base Completion

最新推荐文章于 2022-09-13 01:31:35 发布

weixin_30832983

最新推荐文章于 2022-09-13 01:31:35 发布

阅读量1.2k

点赞数

CC 4.0 BY-SA版权

文章标签：人工智能

原文链接：http://www.cnblogs.com/jws-2018/p/11519383.html

本文介绍了SACN模型，一种结合WGCN和Conv-TransE的结构感知卷积网络，用于知识库补全任务。SACN通过WGCN建模实体和关系，然后在Conv-TransE中处理，提高三元组补全的准确性。在FB15k-237和WN18RR数据集上，SACN展现出优越性能，成为当前SOTA模型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

为解决知识图谱（KG）中三元组不完整问题，本文结合加权图卷积神经网络（WGCN）和Conv-TransE两个模块，提出了SACN（Structure-Aware Convolutional Networks）模型。SACN通过WGCN来建模KG中的实体和关系，提取实体特征，然后输入至ConvE中使实体满足KG三元组约束，得到实体的embedding表示。通过实验证明，在FB15k-237和WN18RR数据集上超越了之前最佳模型效果的10%，是当前的SOTA模型。

发表于AAAI 2019，作者信息如下：

引言

首先简要介绍知识库（Knowledge Base，KB）。知识库中的知识有很多种不同的形式，例如本体知识、关联性知识、规则库、案例知识等。相比于知识库的概念，知识图谱（Knowledge Graph，KG）更加侧重关联性知识的构建。定义KG的主要方法是采用（s, r, o）三元组的形式，举例来说，北京是中国的首都，那么这句话就可以用三元组表示为：(s = Beijing, r = IsCapitalOf, o = China )。其中s称为头实体，r称为关系，o为尾实体。本文的知识库补全任务指的就是知识图谱中三元组的补全。

那么，在有了三元组的定义之后，本文的任务就可以描述为：给定KG，学习实体和关系的嵌入表示，完成三元组补全任务（s, r, o），即给定头实体和关系，求最可能的尾实体。