链接：http://cn.arxiv.org/pdf/1808.09040

动机

如今的知识图谱规模很大但是完成度不高，long-tail关系在知识图谱中很常见，之前致力于完善知识图谱的方法对每个关系都需要大量的训练样本（三元组），而新加入的关系其样本数量通常不是很多。为解决这个问题，本文提出了one-shot场景下的关系学习模型，该模型通过学习实体的embedding和相应的局部图结构来获得一个匹配度量函数，最终推导出新的三元组。

亮点

本文提出的模型有以下亮点：

（1）只依赖于实体的embedding和局部图结构（之前的方法依赖于关系的良好表示）；

（2）一旦训练完成便可以预测任何关系（之前的方法需要微调来适应新的关系）

概念

本文主要针对(h,r,?)类型的推测，即从候选集合中选出最合适的t来构造新的三元组(h,r,t)，主要符号含义如下：

 

•       G{(h,r,t)}：即原始KG，三元组集合

•       ：对应于G中的一个关系（任务），每个 T_r 中所有三元组的r相同

•       ：任务集合

•       ：只含有一个三元组(h_0,r,t_0)

•       ：C_(h_i,r) 为候选t集合

•       G'：G的子集，作为背景知识

模型

本文的模型由两部分组成:

（1）   Neighbor Encoder

该模块利用局部图结构对（h,t）实体对进行编码，首先对任意h/t构建其one-hop Neighbor set N_e，再利用Encoding function f(N_e)编码，最后将 h 和 t 的编码连接起来便得到(h,t)实体对的表示，f(N_e )形式如下：

  

（2）   Matching processor

对于候选集 C_(h_i,r) 中的每一个 t_(i,j)，利用LSTM计算 (h_i,t_(i,j)) 和 (h_0,t_0) 的相似度，相似度最高的 t_(i,j) 即为 (h_i,r) 对应的t，迭代过程如下：

 

实验                                                                         

⑴数据集

本文的两个数据集NELL-One和Wiki-One是作者分别基于NELL和Wikidata构建（选取其中三元组数量在50~500之间的关系）。

⑵实验结果

作者将本文提出的模型（GMatching）与之前基于embedding的模型在NELL-One和Wiki-One两个数据集上进行了比较，结果显示该模型各项指标均优于之前的模型。

总结                                                  

本文提出的模型利用实体的局部图结构以及学习度量来匹配实体对，一经训练可以直接适用于预测任何关系，并在one-shot场景下表现出优越性能。

 

论文笔记整理：杨帆，浙江大学硕士，研究方向为知识图谱、自然语言处理。

 

---

OpenKG.CN

中文开放知识图谱（简称OpenKG.CN）旨在促进中文知识图谱数据的开放与互联，促进知识图谱和语义技术的普及和广泛应用。

点击阅读原文，进入 OpenKG 博客。