Learning to Complete Knowledge Graphs with Deep Sequential Models
Learning to Complete Knowledge Graphs with Deep Sequential Models
复制标题
学习用深度序列模型完成知识图
DOI：
10.1162/dint_a_00016
复制
发表时间：
2019-06
影响因子：
3.9
通讯作者：
Yuzhong Qu
中科院分区：
文献类型：
--
作者：
Lingbing Guo;Qingheng Zhang;Wei Hu;Zequn Sun;Yuzhong Qu
知识图（KG）补全旨在填充 KG 中缺失的事实，其中事实通常表示为（头、关系、尾）形式的三元组。传统的 KG 补全方法迫使所提供的三分之二的三元组（例如，头和关系）来预测剩余的三元组。在本文中，我们提出了一种新方法，可扩展多层递归神经网络（RNN），将知识图谱中的三元组建模为序列。它使用两个基准数据集在常见实体预测任务上获得了最先进的性能，即给出头（或尾）和关系来预测尾（或头）。此外，我们的方法的深层顺序特征使其能够仅预测给定头（或尾）的关系，甚至预测整个三元组。我们对这两个新的 KG 完成任务的实验表明，与几种替代方法相比，我们的方法实现了优越的性能。
Knowledge graph (KG) completion aims at filling the missing facts in a KG, where a fact is typically represented as a triple in the form of (head, relation, tail). Traditional KG completion methods compel two-thirds of a triple provided (e.g., head and relation) to predict the remaining one. In this paper, we propose a new method that extends multi-layer recurrent neural networks (RNNs) to model triples in a KG as sequences. It obtains state-of-the-art performance on the common entity prediction task, i.e., giving head (or tail) and relation to predict the tail (or the head), using two benchmark data sets. Furthermore, the deep sequential characteristic of our method enables it to predict the relations given head (or tail) only, and even predict the whole triples. Our experiments on these two new KG completion tasks demonstrate that our method achieves superior performance compared with several alternative methods.
登录
查看更多内容
DOI：
10.1609/aaai.v32i1.11573
发表时间：
2017-07
期刊：
--
影响因子：
--
作者：
Tim Dettmers;Pasquale Minervini;Pontus Stenetorp;S. Riedel
通讯作者：
Tim Dettmers;Pasquale Minervini;Pontus Stenetorp;S. Riedel
DOI：
10.18653/v1/n16-1054
发表时间：
2016-06
期刊：
--
影响因子：
--
作者：
Dat Quoc Nguyen;Kairit Sirts;Lizhen Qu;Mark Johnson
通讯作者：
Dat Quoc Nguyen;Kairit Sirts;Lizhen Qu;Mark Johnson
DOI：
10.1609/aaai.v25i1.7917
发表时间：
2011-08
期刊：
Proceedings of the AAAI Conference on Artificial Intelligence
影响因子：
--
作者：
Antoine Bordes;J. Weston;R. Collobert;Yoshua Bengio
通讯作者：
Antoine Bordes;J. Weston;R. Collobert;Yoshua Bengio
DOI：
10.1609/aaai.v31i1.10952
发表时间：
2016-04
期刊：
ArXiv
影响因子：
--
作者：
Han Xiao;Minlie Huang;Lian Meng;Xiaoyan Zhu
通讯作者：
Han Xiao;Minlie Huang;Lian Meng;Xiaoyan Zhu
DOI：
10.1109/icicip.2013.6568119
发表时间：
2013-06
期刊：
2013 Fourth International Conference on Intelligent Control and Information Processing (ICICIP)
影响因子：
--
作者：
G. Sun;Ce Ding
通讯作者：
G. Sun;Ce Ding