一種不確定知識圖譜上表徵學習的方法

Abstract

本論文提出了一種新的在不確定知識圖譜（uncertain knowledge graph）上進行表徵學習的方法。近年來，表徵學習在確定知識圖譜上取得了不俗的表現，相比傳統的基於規則和路徑排名的方法，透過在訓練時不斷更新實體和關係的表徵向量，而取得了較好的效果。在確定知識圖譜表徵學習的方法中，有些方法使用了基於深度學習的模型，例如多層感知器和圖卷積網絡等。然而，在不確定的知識圖譜上，基於深層可學習模型的方法並未使用，重心還是放在固定的評分函數（scoring function）的設計上，而忽略了深度學習模型的潛力。我們透過使用多層感知器作為評分函數和基於關係的資料增強方法，在不確定知識圖譜三元組的可信度預測和尾部實體預測任務上取得了更好的效果。