基于实体描述的知识图谱表表征学习
摘要
知识图的表示学习旨在将实体和关系投射到连续的低维空间中。大多数方法集中于学习知识三元组表示实体之间的关系。事实上，在大多数知识图中，通常存在对实体的简明描述，这是现有方法无法很好地利用的。在本文中，我们提出了一种新的基于实体描述的知识图RL方法。更具体地说，我们探索了两个编码器，包括连续词袋和深度卷积神经模型，以编码实体描述的语义。我们进一步学习用三元组和描述表示知识。我们从知识图补全和实体分类两个方面对该方法进行了评价。在真实数据集上的实验结果表明，我们的方法在两个任务上的表现优于其他基线，特别是在零镜头设置下，这表明我们的方法能够根据新实体的描述构建它们的表示