【论文标题】Adaptive Attentional Network for Few-Shot Knowledge Graph Completion 【作者团队】Jiawei Sheng, Shu Guo, Zhenyu Chen, Juwei Yue, Lihong Wang, Tingwen Liu, Hongbo Xu 【发表时间】2020.10.19 【代码链接】https://github.com/JiaweiSheng/FAAN 【推荐理由】本文收录于EMNLP 2020会议，作者提出一种自适应注意力网络。通过学习自适应实体和参考的表示完成小样本知识图谱补全

小样本知识图谱补全是当前研究的一个重点，其中每个任务的目的是查询给定的小样本参考实体对的关系的未见事实。前人的研究主要通过学习实体和参考的静态表示来解决这个问题，却忽略了他们的动态属性，即实体可能在任务关系中表现出不同的角色，而参考可能对查询做出不同的贡献。本文提出实体通过自适应邻居编码器建模，以辨别其面向任务的角色，而参考由自适应查询感知聚合器建模，以区分其贡献；通过注意力机制，实体和参考都可以捕捉到其自身细粒度语义，从而呈现出更具表现力的表示，这对于小样本场景下的知识获取更具预测性。在两个公共数据集上的链接预测实验表明，本文提出的方法在不同的小样本大小下，取得了最先进的结果。

图：自适应权重网络模型图

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