【知识图谱论文】知识图谱的多模态数据增强表示学习

• 论文题目：Multimodal Data Enhanced Representation Learning for Knowledge Graphs
• 论文期刊： IJCNN
• 论文时间：2019

摘要

• 知识图谱或知识库在人工智能领域的各种应用中发挥着重要作用。在知识图谱的研究和应用中，知识表示学习是基础任务之一。现有的表示学习方法主要基于实体和关系之间的结构知识，而实体之间的知识本身在很大程度上被忽略了。尽管一些方法在学习表示时集成了实体知识，但这些方法缺乏应用于多模态的灵活性。为了解决这个问题，在本文中，我们通过将多模态自编码器与 TransE 模型相结合，提出了一种新的表示学习方法 TransAE，其中 TransE 是一种简单有效的知识图表示学习方法。在 TransAE 中，自动编码器的隐藏层被用作 TransE 模型中实体的表示，因此它不仅将结构知识，而且将多模态知识（如视觉和纹理知识）编码为最终表示。与仅基于结构知识的传统方法相比，TransAE 在链接预测和三元组分类方面可以显着提高性能。此外，TransAE 能够在零样本中学习知识库之外的实体表示。各种任务的实验证明了我们提出的 TransAE 方法的有效性。

引言

• 知识在人工智能中发挥着重要作用，因为它为机器理解和完成复杂任务提供了基础。 知识图或知识库用于以结构化方式存储知识。 常用的知识图谱包括 WordNet [1]、Freebase [2]、NELL [3] 等。这些知识图谱为问答系统、信息检索、机器理解等各种应用提供了坚实的数据支持。