【AAAI 2020】Few-shot Knowledge Graph Completion

作者：huxu Zhang, Huaxiu Yao, Chao Huang, Meng Jiang, Zhenhui Li, Nitesh V. Chawla

团队：无

链接：https://arxiv.org/pdf/1911.11298.pdf

导读：本文主要针对知识图谱中 few-shot 关系学习。此前的关系建模方法存在的不足：(1) 没有考虑邻居的权重；(2) 没有考虑 few-shot 实例之间的交互；文中的模型（FSRL）分为三个 components：(1) 通过一个考虑邻居权重的 GCN 来建模头尾实体；(2) 通过一个考虑 attention 的 LSTM 的编码解码器来建模关系，输入为某个关系下的多个 few-shot 实例中的头尾实体对表示；(3) 最后以头尾实体对表示和关系表示作为输入，通过一个多步的 LSTM 模块来构建打分模块。实验在两个数据集超过了一些最新方法（RESCAL, DistMult, GMatching等）；另外针对三个模块的消融实验验证了各个模块的有效性。

【ACL 2020】Taxonomy Construction of Unseen Domains via Graph-based Cross-Domain Knowledge Transfer

作者：Chao Shang, Sarthak Dash, Md Faisal Mahbub Chowdhury, Nandana Mihindukulasooriya , Alfio Gliozzo

团队：JD AI Research, IBM Research AI

链接：https://aclanthology.org/2020.acl-main.199.pdf

导读：本文针对层次关系（Taxonomy）抽取，首次提出了一个基于 GNN 的方法，将层次关系抽取问题当做一个有向图生成问题。该方法以一个基于模式匹配方法提取的 is-a 关系构建的一个带噪的 Graph 为输入。首先将带噪的 Graph 通过一个 GNN 层聚合邻居信息来学习节点表达；然后通过一个 Pooling-Unpooling 层来学习所有实体的聚类信息表达；最后通过一打分层（1D Conv + FFN）对（头实体，关系，尾实体）打分，其中实体的表达将 GNN层 和 Pooling-Unpooling 层学习到的表达通过残差方式结合起来，关系通过一些统计特征来表示。模型 Loss 考虑了准确率，召回率以及用于保证生成的有向图无环的限制。

内容中包含的图片若涉及版权问题，请及时与我们联系删除