來源：AAAI2018

論文鏈接：https://arxiv.org/pdf/1711.03438.pdf

代碼鏈接：https://github.com/bxshi/ConMask

本文解決知識庫補全的問題，但和傳統的 KGC 任務的場景有所不同。以往知識庫補全的前提是實體和關系都已經在 KG 中存在，文中把那類情況定義為 Closed-World KGC。從其定義可以發現它是嚴重依賴已有KG連接的，不能對弱連接有好的預測，并且無法處理從 KG 外部加入的新實體。對此這篇文章定義了 Open-World KGC，可以接收 KG 外部的實體并鏈接到 KG。論文提出的模型是 ConMask，ConMask 模型主要有三部分操作：

（1）??Relationship-dependent content masking：強調留下和任務相關的詞，抹去不相關的單詞； 模型采用attention機制基于相似度得到上下文的詞和給定關系的詞的權重矩陣，通過觀察發現目標實體有時候在權重高的詞（indicator words）附近，提出 MCRW 考慮了上下文的權重求解方法。

（2）??Target fusion：從相關文本抽取目標實體的 embedding（用FCN即全卷積神經網絡的方法）；這個部分輸入是masked content matrix，每層先有兩個 1-D 卷積操作，再是sigmoid激活函數，然后是 batch normalization，最后是最大池化。

為避免參數過多，在得到實體名等文本特征時本文選用語義平均來得到特征的 embedding 表示

（3）??Target entity resolution：通過計算 KG 中候選目標實體和抽取的實體的 embedding 間的相似性，結合其他文本特征得到一個 ranked list。本文設計了一個 list-wise ranking 損失函數，采樣時按 50% 比例替換 head 和 tail 生成負樣本，S 函數時 softmax 函數

論文的整體模型圖為：

本文在 DBPedia50k 和 DBPedia500k 數據集上取得較好的結果，同時作者還添加了 Closed-World KGC 的實驗，發現在 FB15k，以及前兩個數據集上效果也很不錯，證明了模型的有效性。

?

筆記整理：李娟，浙江大學博士在讀，研究興趣為知識圖譜，表示學習。

---

OpenKG.CN

中文開放知識圖譜（簡稱OpenKG.CN）旨在促進中文知識圖譜數據的開放與互聯，促進知識圖譜和語義技術的普及和廣泛應用。

轉載須知：轉載需注明來源“OpenKG.CN”、作者及原文鏈接。如需修改標題，請注明原標題。

點擊閱讀原文，進入 OpenKG 博客。

總結

以上是生活随笔為你收集整理的论文浅尝 | Open world Knowledge Graph Completion的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。