面向超关系知识图谱补全的跨模态对比学习方法

摘要

超关系知识图谱作为对知识图谱的拓展，能够更完备地表达现实世界知识.由于其显著的不完整性问题，对其进行补全已成为当前研究热点.现有超关系知识图谱补全工作多采用表征学习的方式学习单个超关系知识图谱内部的事实结构信息，未充分考虑事实内部的多元角色结构交互和图谱内外的实体关系语义交互.为此，本文提出了一种面向超关系知识图谱补全的跨事实-文本模态对比学习方法 CoLor.针对超关系知识图谱内部事实结构信息学习，设计了角色感知的结构建模；通过预训练语言模型引入实体与关系在真实世界中的上下文语义信息，并设计了3种跨模态对比监督来联合学习超关系事实表征.在3个真实世界数据集上的实验结果表明，CoLor相比基线方法对MRR和H@1指标分别提升至高达4.2%和7.5%.消融实验和案例分析进一步证明了CoLor的有效性.

关键词

超关系知识图谱 / 预训练语言模型 / 对比学习