RSN:Learning to Exploit Long-term Relational Dependencies in Knowledge Graphs

本文探讨了知识图谱补全领域的挑战,特别是如何捕捉长期依赖关系的问题。通过引入一种基于路径的方法并利用LSTM模型的变种,文章提出了一种能够区分实体和关系的新颖模型,以增强信息传递的丰富性和准确性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Learning to Exploit Long-term Relational Dependencies in Knowledge Graphs

1 问题

目前只是图谱补全的内容是主要是基于triple-level,所谓的triple-level指得是只关注三元组的信息,仅仅只利用三元组的信息,而不增加任何信息,这么就会产生的一个问题,难以抓取关系的长期依赖关系,所有triple-level不能够传递丰富的信息,提出了基于只是图谱补全或者实体对齐。该模型选择lstm模型,进行扩展,实现长期的依赖,但是为了使信息更加丰富,已经区分实体和关系,而不是仅仅像NLP中的数据处理,把一条路径当作sequence,这么使得实体和关系无法区分开。因此作者采取skip方式进行使用加以区分实体和关系,skip方式类似于残差网络,但是略有不同。
由于研究方式是知识图谱补全领域,对于实体对齐内容,就直接略过,不进行研究。

2 模型

2.1 前提

为了增强知识图谱的连接性,增加逆关系,(UnitedKingdom,country−,TimBernersLee,employer,W3C)(United Kingdom, country^-, Tim Berners Lee, employer, W3C)(UnitedKingdom,country,TimBernersLee,employer,W3C)

2.2 模型图

在这里插入图片描述
在使用时将整个模型传到LSTM中,所谓的skip增加一些内容,对于关系的LSTM之后的结果,加上与当前r相关实体信息。然后去预测下与r相关的尾实体。
其skip公式如下:
在这里插入图片描述

2.3 损失函数

其损失函数如下:
在这里插入图片描述
损失函数是计算所预测结果的损失函数,x1,x2,....xnx_1, x_2, ....x_nx1,x2,....xn包括预测关系x2,x4.....关系x_2, x_4.....x2,x4.....,以及预测实体x3,x5......x_3,x_5 ......x3,x5......等内容之和。

3 总结

基于路径的知识图谱补全,可以增强其能表达能力。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值