抱歉,您的浏览器无法访问本站

本页面需要浏览器支持(启用)JavaScript


了解详情 >

总结一周阅读的论文。

Complex Relation Extraction: Challenges and Opportunities

关系抽取领域的一篇短综述,只有六页,讲述目前关系抽取的进展和挑战。
文中首先定义了什么是简单关系和复杂关系。简单关系抽取,Binary Relation Extraction,最简单的关系抽取的范式,一句话中包含两个实体以及两个实体之间的关系。
复杂关系抽取,就是超出了这个定义的一些情况,包括:文档关系抽取,小样本关系抽取,跨语言关系抽取,跨模态关系抽取,N-ary(N元/N实体)关系抽取,多粒度关系抽取,条件关系抽取和嵌入关系抽取。
针对每个scenario,分析了问题定义和挑战。

Relational Graph Neural Network with Hierarchical Attention for Knowledge Graph Completion

发表于AAAI 2020的一篇文章。关注知识图谱补全与链接预测领域。
提出了结构化注意力机制来增强链接预测的性能。
所谓结构化,针对\((h, r, ?)\)尾实体包含多个实体的时候,可以把原始的图转化为树状结构,把关系作为中间节点。
在转化之后的图结构,首先学习关系权重,头实体和关系连接,学习注意力权重。
之后学习同一个关系的所有尾部实体的权重表示。
模型结构

信息融合:学习的邻居节点信息和节点自身的表示进行融合,文中提出了三种融合的手段,包括Multiplicative Combination, Bi-interaction combination and simple additive combination. 同时为了更好的融合,使用多头注意力机制。
Predict:打分预测阶段,使用ConvE的打分函数。
\[f(h,r,t)=\text{ReLU}(\text{vec}(\text{ReLU}([h;t]*\omega))Q)t\]

One-Shot Learning for Temporal Knowledge Graphs

时序知识图谱链接预测的一篇文章,被AAAI 2021收录。
时序图预测最近有点火,但之前还没有接触过这个领域,看得比较粗。
印象最深刻的就是根据时间跨度去构建support和query。选取过去某个时刻的三元组作为one-shot支持集,然后从那个时刻开始未来的\(limit\)时间跨度内的数据作为查询集。
第一次接触这个类型的数据范式,想找代码看一看,无奈代码没开放,给的链接点进去并没有内容。
标注为Follow。

Context-Enhanced Entity and Relation Embedding for Knowledge Graph Completion (Student Abstract)

AAAI 2021 收录的一篇poster,关注知识图谱补全问题。

模型结构

动机:以往的知识图谱补全模型虽然有考虑实体或者关系的上下文信息,但没有同时考虑,因此在本文中进行了尝试。

实体上下文就是以该实体为头节点或者尾节点的三元组

关系上下文就是该关系的头实体和尾部实体。

打分函数使用DistMult同款\[s_{i,j}=e_i^T diag\{r\} e_j\]

Reference

  1. Complex Relation Extraction: Challenges and Opportunities
  2. Relational Graph Neural Network with Hierarchical Attention for Knowledge Graph Completion
  3. One-Shot Learning for Temporal Knowledge Graphs
  4. Context-Enhanced Entity and Relation Embedding for Knowledge Graph Completion (Student Abstract)

评论