2020-WWW）Relation Adversarial Network for Low Resource Knowledge Graph Completion

（2020-WWW）Relation Adversarial Network for Low Resource Knowledge Graph Completion

基于关系对抗网络的低资源知识图谱补全

知乎详解

摘要

老生常谈小样本，为了解决这个问题提出了：加权关系对抗网络。利用对抗网络来从高资源关系中学习到不同但相关的低资源关系。

关键：知识图谱补全、对抗转移学习、链路预测、关系提取

一、介绍

长尾效应以及低资源：

关系抽取 ：远程监督方法，通过实体从句子中抽取关系效果不好。

对抗转移学习 ：转移学习通过在高资源的区域学习知识，然后应用于低资源区域。

关系对抗网络 ：

负转移 ：

我们为了解决低资源的问题，提出**Weighted Relation Adversarial Network (wRAN)**框架，分为三个部分：实例编码器、对抗关系自适应、权重关系自适应

主要贡献：

• 第一个提出对抗转移学习来解决低资源的知识图谱补全问题，这样可以很容易的集成链路预测和关系提取
• 我们提出了RAN（relation adversarial network）关系对抗网络。利用关系鉴别器来区分不同关系的样本，并学习转移从元关系到目标关系。
• 我们提出了一种relation-gated mechanism （理解不来）
• 取得最好的结果
  
  
  

二、相关工作

知识图谱补全：

对抗域适应（Adversarial Domain Adaptation）

三、方法模型（methodolgy）

3.1问题定义

我们提出关系适应，将自适应多个源关系对应到一个或多个目标关系。这与标准的域适配相似但有区别。

一组源关系：$S={\left\{R_s^i\right\}}_{i=1}^{r_s}$，每一个源关系 R s i = { x j s , y j s } j = 1 n s R_{s}^{i}=\left\{x_{j}^{s}, y_{j}^{s}\right\}_{j=1}^{n_{s}} Rsi​={ x