Regularized online tensor factorization for sparse knowledge graph embeddings

doi:10.1007/s00521-022-07796-z

Regularized online tensor factorization for sparse knowledge graph embeddings

2022-09-21

0

OA

AI

DOI：10.1007/s00521-022-07796-z

原文链接

原文求助

摘要

En 中文

摘要知识图谱表示现实世界的实体关系，并应用于多个领域；然而，它们通常是不完整的，存在许多缺失的事实。链接预测的任务是基于已有事实来补全这些缺失的事实。基于张量分解的嵌入模型在链接预测任务中取得了最先进的结果。然而，它们产生的嵌入向量难以解释。受词嵌入研究的启发，我们提出在双线性张量分解模型RESCAL中引入稀疏性，以构建可解释的知识图谱嵌入。为克服随机梯度下降在生成稀疏解时的困难，我们通过使用广义正则化对偶平均在线优化算法，将 $$l_1$$ l 1 正则化添加到学习目标中。该方法显著提升了学习嵌入的可解释性，同时在标准指标上保持了有竞争力的性能。

Regularized online tensor factorization for sparse knowledge graph embeddings

摘要

期刊

机构

引用论文