Paper总结 - LAN: Logic Attention Based Neighborhood Aggregation for Inductive Knowledge Graph Embedding

Accepted in AAAI2019

阅读时发现的特性(不足)：

  1. 仍然学习的是 neiboirhood aggregator，那么这种通用的 aggregator，每来一个新实体不需经过训练就直接得到 embedding，是否造成这个 embedding 的质量并不好。
  2. 只考虑到新实体的加入。
  3. 新实体必须是只出现在head位置或只出现在 tail 位置的实体。对于既出现在 head 又出现在 tail 的实体无法执行。
  4. 只在一个数据集 (FB15K) 上做实验。


文章的创新点：

  1. 获取周围邻居的 neighbors 后，在 pooling 层求新实体的 embedding 时，引入了 attention mechanism。这个 attention mechanism 引用了 logic rule (概率)，这是关键的地方。
  2. 做了充足的小实验，比如 pooling 层用 mean、LSTM 以及各种 attention 变种。因为用了 attention，还加了一个 case study。