科研之友
微信
新浪微博
Facebook
分享链接
摘要
【目的】现有少样本知识图谱补全方法在处理复杂关系时不能很好地区分邻居重要性，导致实体预测性能不佳。考虑充分利用实体邻居信息，提高少样本知识图谱补全方法的性能。【方法】通过类型感知邻居编码器学习实体邻居中包含的隐含类型信息，得到类型感知注意力，增强实体表示；利用Transformer编码器捕获任务关系的不同含义；通过联合匹配原型网络聚合参考集得到参考集表示并进行实体预测。【结果】在NELL和Wiki两个公共数据集上进行实体预测任务，实验结果表明，MRR指标分别较Baseline方法提高了1.6和1.2个百分点。【局限】未对与实体相关性较低的邻居进行筛选，使类型感知注意力权重的分配受到噪声影响。【结论】本文方法能够通过学习更丰富的实体邻居信息来有效提高少样本知识图谱补全的性能。
-
单位昆明理工大学; 自动化学院
