很有意思的一篇paper。在眾多Knowledge Graph Embedding (KGE) 的論文中通過問題設計和有意思的解決方式脫穎而出。

首先來看看問題設計。

一般的KGE model都是利用神經網絡（大部分是GCN）做點(node)或者邊(edge)的低維向量表示，將他們嵌入(embed)到一個低維向量空間的同時盡可能保持他的特征和性質。比如LINE、TransX系列、GraphSAGE、GCN等模型，通常是利用了圖結構信息，讓接近的邊的表示盡可能相似，以此作為學習的目標。

但這篇paper著眼于multi-hop的embedding場景，用logic rule作為guidance進行學習。完美地結合了KGE models和logic rule所蘊含的邏輯信息。

其次，是問題的解決方式。

這篇paper使用了beta embedding來對點的存在與否進行建模，進行了一個相對嚴格的distribution的假設。其次，通過beta embedding這個伯努利分布的進階版，能夠很好地擬合logic rule的PSL。

從實驗上來看也能吊打很多SOTA models，感覺很有意思，可以試一試。

總結

以上是生活随笔為你收集整理的论文阅读 | NIPS‘20 | Beta Embeddings for Multi-Hop Logical Reasoning in Knowledge Graphs的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。