论文浅尝 | DynaSemble：动态集成基于文本和结构的知识图谱补全模型（ACL2024）

主要观点总结

本文介绍了孟佳卫在浙江大学关于知识图谱表示学习的研究。文章提出了DynaSemble，一个简单、新颖、模型无关和轻量级的动态集成学习方法，旨在结合文本模型和结构化模型的优点来预测知识图谱中的缺失链接。文章详细描述了DynaSemble的动机、方法、实验和总结。

关键观点总结

关键观点1: 研究背景与动机

文本模型和结构化模型在预测知识图谱中的缺失链接时各有优势，文章探索了如何有效利用这些模型的互补优势。

关键观点2: 方法与流程

文章提出了DynaSemble方法，通过集成多个KGC模型来提高性能。方法包括归一化处理、模型权重学习、特征提取和集成等步骤。

关键观点3: 实验与结果

文章在三个KGC数据集上进行了实验，结果表明DynaSemble方法能够显著提高性能。同时，文章还进行了消融实验，验证了方法的有效性。

关键观点4: 总结与展望

文章强调了基于文本和基于结构的KGC模型的互补优势，总结了DynaSemble方法的贡献，并指出了未来研究的方向。

文章预览

笔记整理：孟佳卫，浙江大学硕士，研究方向为知识图谱表示学习 论文链接：https://arxiv.org/abs/2311.03780 发表会议：ACL 2024 1. 动机 文本模型和结构化模型在预测知识图谱中的缺失链接时各有优势。作者发现，当答案不容易从查询头中获得时，文本模型表现出色，而当答案容易获得时，基于结构的模型表现更好。基于此，作者 探索了如何有效地利用这些模型的互补优势的集成学习，并提出了 DynaSemble ：一种新颖、简单、模型无关且轻量级的学习集成权重的方法，使得权重依赖于查询， 以及 从单个模型分配给所有候选实体的评分分布中获得的统计特征中学习。 DynaSemble 学习特定于每个查询的权重，使其能够适应不同查询的特征 。 当在三个 KGC 数据集上应用于 SimKGC 和 NBFNet 时， DynaSemble 的性能有明显提高。 2. 方法 该方法的学习目标是结合多个 KGC 模 ………………………………