[人工智能]TransC:Differentiating Concepts and Instances for Knowledge Graph Embedding

TransC:Differentiating Concepts and Instances for Knowledge Graph Embedding

1 介绍

1.1 问题

作者发现在实现时，对于concept(抽象的概念，如老师 (zhangsan, instance, teacher))和instance(具体的概念，如人物(zhangsan,friendof, lisi), zhangsan 和lisi都是具体的实例)目前现有的模型都没有对其进行区分，为了简化操作通常的处理方式是将二者作为实体不加以区分，进行embeding处理,事实上二者在现实师世界总是不同的，下图就详细展示了concept和instance.

并且作者提出一个逻辑推理问题，类似于isA这种关系，中文理解就是“是”意思，如$(zhangsan,instanceof,teacher)\cap (teacher,subClassof,people)?(zhangsan,is,people)$，这种就是isA的逻辑推理，现在并没有实现相关的推理。

1.2 论文主要解决的两个问题

• Insufficient concept representation
  不能区分concept和instance
• Lack transitivity of both isA relations
  isA这种关系缺少传递性

1.3 思想

将三元组分成三种类型：

• (Instance, Relation, Instance)，即（Zhangsan， Friendof， Lisi）
  这种就采用常规的TransE模型即可
• (Instance, Relation, Concept)，即（Zhangsan, Is, Teacher）
  对于实例应该与它们所属的概念相近，将每个concept编码为一个领域，将每个instance编码为同一语义空间中的向量，并利用相对位置对concept和instance之间的关系进行建模。
• (Concept, Relation, Concept)，即（Teacher, Is, People）
  将这种关系分为四种不同的关系，即（A， Relation, B），A和B之间的关系为B包含于A, 二者无关， 二者相交， A包含于B。

然后将三着进行负采样使用margin-based ranking loss，进行优化。

2 模型

2.1 知识图谱结构

知识图谱分为三类：

• InstanceOf 即(Instance, Relation, Concept)
• SubClassOf 即(Concept, Relation, Concept)
• Relational triple 即(Instance, Relation, Instance)
  K G = { C , I , R , S } , 其 中 C ， I \mathcal{KG} = \{ \mathcal{C,I,R, S} \}, 其中\mathcal{C， I} KG={C,I,R,S},其中C，I分别表示为concept和instance,$\mathcal{R}$表示所有的关系的集合，S是三种不同分类的总集合，其中小写字母e表示instance类型，c表示concept类型。

2.2 关于推理

推理分为两种不同的类型，即从concept到concept的推理subClassOf-subClassOf，从instance到concept的推理instanceOf-subClassOf。

• instanceOf-subClassOf
  $(张三，是，教授）\cap （教授，是，学者)?(张三，是，学者)$
• subClassOf-subClassOf
  $(教授，是，学者)\cap （学者，是，人）?(教授，是，人)$
  

2.3 TransC

提出一个理论，$s(p,m)$， p是其embedding 向量， m是其作用的领域半径，该理论只对于concept提出的。

InstanceOf Triple Representation(Instance, Relation, Concept)

评分函数为：

其中$i$为instance的embedding, $p$为concept的embedding， m为其作用的领域范围半径。

SubClassOf Triple Representation(Concept, Relation, Concept)

对于三元组$(c_i,r,c_j)$, 其中$s(p_i,m_i),s(p_j,m_j)分别为c_i,c_j$的领域内容。

d为领域核心之间的距离。
若三元组$(c_i,r,c_j)$是正确的，则效果如下图所示：

• 两个concept相互分开
  
  公式：
  
• 二者相交
  公式：
  
  以上两种目的都是让其不断接近于图(a)。
• $c_j包含c_i$
  这个关系正好与图(a)相反
  
  公式：
  
  缩小大的范围，放大小的范围，让二者趋于一致。

Relational Triple Representation(Instance, Relation, Instance)

采取常规的方式TransE的方法。

3 损失函数

对于不同种类的类型的数据，对其进行负采样，负采样内容在其相应的数据类型范围内进行采集。

InstanceOf Triple Representation(Instance, Relation, Concept)

SubClassOf Triple Representation(Concept, Relation, Concept)

Relational Triple Representation(Instance, Relation, Instance)

所有的损失函数共同训练，损失函数汇总：

创作打卡挑战赛

赢取流量/现金/CSDN周边激励大奖