Avanços na Completação de Grafos de Conhecimento com Poucos Exemplos
Novo framework melhora previsões em gráficos de conhecimento com exemplos limitados.
― 1 min ler
A conclusão da conclusão é que a Rede Consciente de Relações com Perda Baseada em Atenção representa um avanço significativo na área de conclusão de Grafos de Conhecimento com poucos exemplos. Ao utilizar efetivamente Amostras Negativas, fornecer representações contextuais de entidades e empregar meta-aprendizado, essa nova estrutura consegue resultados melhores do que os métodos existentes. Essa abordagem ajuda a preencher as lacunas em grafos de conhecimento e melhora a capacidade de prever fatos desconhecidos com exemplos limitados. Os resultados dos experimentos ressaltam como é importante considerar tanto a qualidade dos dados quanto seu significado contextual para melhorar o desempenho do modelo.
À medida que os grafos de conhecimento continuam a crescer em complexidade e tamanho, a necessidade de modelos robustos que possam lidar com cenários de poucos exemplos se tornará cada vez mais urgente, tornando estruturas como essa um desenvolvimento essencial na área.
Título: Relation-Aware Network with Attention-Based Loss for Few-Shot Knowledge Graph Completion
Resumo: Few-shot knowledge graph completion (FKGC) task aims to predict unseen facts of a relation with few-shot reference entity pairs. Current approaches randomly select one negative sample for each reference entity pair to minimize a margin-based ranking loss, which easily leads to a zero-loss problem if the negative sample is far away from the positive sample and then out of the margin. Moreover, the entity should have a different representation under a different context. To tackle these issues, we propose a novel Relation-Aware Network with Attention-Based Loss (RANA) framework. Specifically, to better utilize the plentiful negative samples and alleviate the zero-loss issue, we strategically select relevant negative samples and design an attention-based loss function to further differentiate the importance of each negative sample. The intuition is that negative samples more similar to positive samples will contribute more to the model. Further, we design a dynamic relation-aware entity encoder for learning a context-dependent entity representation. Experiments demonstrate that RANA outperforms the state-of-the-art models on two benchmark datasets.
Autores: Qiao Qiao, Yuepei Li, Kang Zhou, Qi Li
Última atualização: 2023-06-15 00:00:00
Idioma: English
Fonte URL: https://arxiv.org/abs/2306.09519
Fonte PDF: https://arxiv.org/pdf/2306.09519
Licença: https://creativecommons.org/licenses/by/4.0/
Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.
Obrigado ao arxiv pela utilização da sua interoperabilidade de acesso aberto.