很有意思的一篇paper。在眾多Knowledge Graph Embedding (KGE) 的論文中通過問題設(shè)計和有意思的解決方式脫穎而出。

首先來看看問題設(shè)計。

一般的KGE model都是利用神經(jīng)網(wǎng)絡(luò)（大部分是GCN）做點(node)或者邊(edge)的低維向量表示，將他們嵌入(embed)到一個低維向量空間的同時盡可能保持他的特征和性質(zhì)。比如LINE、TransX系列、GraphSAGE、GCN等模型，通常是利用了圖結(jié)構(gòu)信息，讓接近的邊的表示盡可能相似，以此作為學(xué)習(xí)的目標(biāo)。

但這篇paper著眼于multi-hop的embedding場景，用logic rule作為guidance進(jìn)行學(xué)習(xí)。完美地結(jié)合了KGE models和logic rule所蘊含的邏輯信息。

其次，是問題的解決方式。

這篇paper使用了beta embedding來對點的存在與否進(jìn)行建模，進(jìn)行了一個相對嚴(yán)格的distribution的假設(shè)。其次，通過beta embedding這個伯努利分布的進(jìn)階版，能夠很好地擬合logic rule的PSL。

從實驗上來看也能吊打很多SOTA models，感覺很有意思，可以試一試。

總結(jié)

以上是生活随笔為你收集整理的论文阅读 | NIPS‘20 | Beta Embeddings for Multi-Hop Logical Reasoning in Knowledge Graphs的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。