【论文解读】（2019-EMNLP）Tackling Long-Tailed Relations and Uncommon Entities in Knowledge Graph Completi

【论文解读】（2019-EMNLP）Tackling Long-Tailed Relations and Uncommon Entities in Knowledge Graph Completion

2019 EMNLP

Abstract

专注于处理不常见的实体，（之前的研究都是关于不常见的关系，但在处理不常见的关系的时候常常见到不常见的实体）因此，我们提出了一种元学习框架，该框架旨在通过使用文字描述来处理小样本学习和不常见实体的不常见关系。

我们设计了一个新颖的模型，以更好地从文本描述中提取关键信息。 此外，我们还在框架中开发了一种新颖的生成模型，以通过在训练阶段生成更多的三元组来增强性能。 对来自现实世界KG的两个数据集进行了实验，结果表明，当处理不频繁关系及其伴随的不常见实体时，我们的框架1优于以前的方法。

1 Introduction

叙述了之前的工作，并没有人提出关于不常见的实体之类的问题，其中在KG的所有三元组中出现少于或等于5次的实体都被视为不常见。从图1中可以明显看出，与频繁关系相比，较少频繁的关系包含更多不常见的实体。 因此，在处理不频繁关系的问题时，不常见实体的问题也应同时考虑，因为它们是硬币的两个方面。本文因此提出三个主要框架：描述编码器、三元组生成器、元学习器。

1. 描述编码器：设计一个新颖的结构，通过自动定位和提取特定与关系的信息来处理涉及多个关系的实体。

2. 三元组生成器：可以生成额外的三元组，来解决小样本学习中的数据稀少的问题

3. 元学习器：学习初始表示，可以容易的适用于新的三元组预测。

本文三大贡献：

1. 我们提出了在小样本学习任务中不常见的关系