Learning Better Word Embedding by Asymmetric Low-Rank Projection of Knowledge Graph

摘要

嵌入的词，指自然的词的低维的稠密的向量代表，在许多自然语言处理任务表明了它的力量。然而，它可以受不了作为训练数据在免费文章语料库包含的不精密、不完全的信息。处理这挑战，有许多研究，作为另外的信息来源利用知识图改进词嵌入的质量。尽管这些研究获得了某些成功，他们关于知识图忽视了一些重要事实：1 ) 在知识图的许多关系是 many-to-one，一对多或平的 many-to-many，而非简单地一对一；2 ) 在知识图的大多数头实体和尾巴实体来自很不同的语义空格。为了处理这些问题，在这份报纸，我们建议一个新算法说出 ProjectNet。ProjectNet 在与不同低等级的设计矩阵转变他们以后为在头和尾巴实体之间的关系建模。低等级的设计能允许在实体之间的非一对一的关系，当为头和尾巴实体的不同设计矩阵允许他们在不同语义空格发源时。试验性的结果表明那 ProjectNet 产出更精确的词比以前的研究嵌入，并且因此在各种各样的自然语言处理任务导致清楚的改进。