Long-tail Relation Extraction via Knowledge Graph Embeddings and Graph Convolution Networks-优快云博客

本文链接：https://blog.youkuaiyun.com/ARPOSPF/article/details/105907720

本文提出了一种针对长尾关系提取的方法，通过利用知识图谱嵌入和图卷积网络（GCN）提取隐式和显式的关系知识。研究发现，利用知识图谱中的关系知识可以有效提升对长尾关系的识别能力，特别是在数据量有限的情况下。模型通过GCN学习关系知识，结合知识感知的注意力机制，提高了关系提取的性能，尤其在处理长尾关系时表现突出。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Long-tail Relation Extraction via Knowledge Graph Embeddings and Graph Convolution Networks

通过知识图嵌入和图卷积网络进行长尾关系提取

通过知识图嵌入和图卷积网络进行长尾关系提取

作者：Ningyu Zhang, Shumin Deng, Zhanlin Sun, Guanying Wang, Xi Chen, Wei Zhang, Huajun Chen
原文连接：https://www.aclweb.org/anthology/N19-1306/

摘要

我们为现实世界中普遍存在的长尾不平衡数据提出了一种距离监督关系提取方法。在这里，挑战是为存在于类分布末尾的类去学习准确的“few-shot”模型，而这些模型几乎没有可用的数据。受长尾类和头类之间丰富的语义关联的启发，我们利用分布开头的数据丰富类的知识来提高尾部数据贫乏类的性能。首先，我们建议从知识图嵌入中利用类别标签之间的隐式关系知识，并使用图卷积网络学习显式关系知识。其次，我们通过从粗到细的知识感知注意力机制将关系知识整合到关系提取模型中。我们针对大规模基准数据集展示了我们的结果，这些数据表明我们的方法明显优于其他基准，尤其是对于长尾关系。