科研之友
微信
新浪微博
Facebook
分享链接
摘要
知识图谱在构建过程中需要面对繁杂的现实世界信息，无法建模所有知识，因此需要补全。真实的知识图谱中很多类型的关系经常只有少量的训练实体样本对。因此如何进行小样本知识图谱补全是一个十分有价值的问题。目前基于嵌入的方法一般是通过注意力机制等方法聚合实体上下文信息，通过学习关系嵌入的方式来补全知识图谱，仅考虑关系层面的匹配程度，虽然能够预测未知关系，但往往准确度不高。因此，针对小样本知识图谱补全问题，提出一个自适应上下文匹配网络ACMN(Adaptive Context Matching Network)。首先提出一个共性邻居感知编码器，聚合参考集实体上下文，即一跳邻居实体，获得共性邻居感知编码；接着提出一个任务相关实体编码器，挖掘任务实体上下文与共性上下文的相似度信息，区分一跳邻居对当前任务的贡献，增强实体表征；然后提出一个上下文关系编码器获得动态关系表征，最后通过加权求和综合考虑实体上下文和关系的匹配程度，完成补全。ACMN从实体上下文相似度和关系匹配程度两个方面综合评价查询三元组是否成立，能够在小样本的背景下有效提高预测准确性。在两个公共数据集上，通过和其他8个广泛使用的算法相比较，ACMN在不同规模的小样本情况下，取得了目前最好的补全结果。
- 单位
