CausE: Towards Causal Knowledge Graph Embedding

要約

ナレッジ グラフ エンベディング (KGE) は、ナレッジ グラフ (KG) のエンティティと関係を連続ベクトル空間に表現することに焦点を当てており、これを使用して欠落しているトリプルを予測し、ナレッジ グラフ補完 (KGC) を達成できます。
ただし、KGE モデルはトリプル データの構造相関を短時間しか学習しないことが多く、現実世界の KG の些細なパターンやノイズの多いリンクによって埋め込みが誤解される可能性があります。
この問題に対処するために、私たちは因果関係と埋め込みの解きほぐしのコンテキストで KGE の新しいパラダイムを構築します。
さらに、因果関係を強化した知識グラフ埋め込み (CausE) フレームワークを提案します。
CausE は、因果介入を利用して交絡因子の埋め込みの因果​​効果を推定し、安定した予測を行うための新しいトレーニング目標を設計します。
実験結果は、CausE がベースライン モデルを上回り、最先端の KGC パフォーマンスを達成できることを示しています。
コードは https://github.com/zjukg/CausE でリリースされます。

要約(オリジナル)

Knowledge graph embedding (KGE) focuses on representing the entities and relations of a knowledge graph (KG) into the continuous vector spaces, which can be employed to predict the missing triples to achieve knowledge graph completion (KGC). However, KGE models often only briefly learn structural correlations of triple data and embeddings would be misled by the trivial patterns and noisy links in real-world KGs. To address this issue, we build the new paradigm of KGE in the context of causality and embedding disentanglement. We further propose a Causality-enhanced knowledge graph Embedding (CausE) framework. CausE employs causal intervention to estimate the causal effect of the confounder embeddings and design new training objectives to make stable predictions. Experimental results demonstrate that CausE could outperform the baseline models and achieve state-of-the-art KGC performance. We release our code in https://github.com/zjukg/CausE.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google