基于准确文本增强的知识表示学习方法.pdf

中国科学院软件研究所学术年会’2019 暨计算机科学国家重点实验室开放周 学术论文 基于准确文本增强的知识表示学习方法 Accurate Text-Enhanced Knowledge Graph Representation Learning. In: NAACL2018. 安波，韩先培，孙乐 联系人：韩先培 联系方式：xianpei@iscas.ac.cn 文本增强的知识表示学习 背景  知识表示学习方法通过将知识图谱中的实体 和关系映射到向量表示取得了广泛的应用  传统方法通过文本与实体对的共现信息来增 强实体和关系的表示，忽略了知识的歧义性  同一关系在不同三元组中表达的语义不同  不同关系关于实体的不同属性 准确文本增强的知识表示学习  文本信息是对知识的有效补充，可以明确关 系的语义，同时包含实体的不同属性信息  抽取能够准确描述三元组语义的文本提及增 强关系表示  通过互注意力机制来选择更好的实体属性  文本表示：基于BiLSTM+Mutual Attention 的文本表示；  使用文本表示增强实体、关系的表示； 实验  在链接预测和三元组分类任务上取得了当前 最好的结果 文本提及抽取  实体链接：  基于字符匹配等方法实现实体与文本的匹配  文本提及抽取：  所有包含实体对的句子作为候选  基于语义相似度的过滤低质量提及 Triple: (Barack Obama, /people/person/nationality, USA) m1: Barack and Michelle have leased a house in America. m2: In 1961 Obama was born in Hawaii, US.  m3: Obama announced that the United States combat mission in Iraq was over.