BriefGPT - AI 论文速递
·
知识图谱上的实体类型的多视角对比学习
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
该文介绍了一种用于预测知识图谱中缺失实体类型的方法，即 KGET。该方法通过引入多个辅助关系提高 KG 嵌入方法的表达能力，并采用异步学习方案进行实体类型预测。实验结果表明，该方法显著改善了 KGE 方法在 KGET 任务上的性能，并具有显著优势。
🎯
关键要点
- 知识图谱实体类型（KGET）用于预测知识图谱中缺失的实体类型。
- 通过引入多个辅助关系来提高KG嵌入方法的表达能力。
- 将相似的实体类型分组以减少辅助关系的数量。
- 改进不同粒度实体类型模式的建模能力。
- 提出了AsyncET方法，采用异步学习方案进行实体类型预测。
- 通过交替更新实体和类型嵌入保持学习到的实体嵌入的最新性和信息性。
- 实验结果表明，所提出的方法显著改善了KGE方法在KGET任务上的性能。
- 该方法在模型大小和时间复杂度方面具有显著优势。
➡️
