【预训练语言模型】KG-BERT: BERT for Knowledge Graph Completion

核心要点：

• 知识图谱是不全的，先前的补全方法只是考虑稀疏的结构信息，忽略了上下文的文本信息；
• 将实体、关系和三元组是为序列，并将知识图谱补全的任务视作序列分类任务；

简要信息：

一、动机

• 知识图谱对人工智能领域的贡献很大，但是知识图谱的普遍问题是图谱不全（incompleteness）；
• 本文提出使用BERT来结合知识图谱实现图谱补全；

二、方法：KG-BERT

  BackBone选择BERT，提出KG-BERT模型在预训练好的BERT基础上继续fine-tuning。

Triple Classification
  将三元组转换为文本序列模式，转换方法如下图所示：

  将实体、关系的名称或描述文本，通过[CLS]和[SEP]进行顺序拼接，喂入KG-BERT中后，获得[CLS]的表征向量，并进行二分类，判断该三元组是否成立。
数据划分是，分为正样本（三元组即在KG中）和负样本（给定一个三元组，随机替换实体或关系，且确保生成的新的三元组在KG中不存在），负样本形式化描述为：

  最终使用交叉信息熵损失函数：

Relation Classification

  KG-BERT也可以完成关系分类，输入两个实体或实体描述，输出多类分类。采用负对数损失函数：

三、实验

数据集（KG）：

Baseline：
均为知识表示学习相关方法：

评估任务：

• triple classification：
  

• link prediction：
  

• relation prediction：