题目： Relation Adversarial Network for Low Resource Knowledge Graph Completion

摘要： 知识图谱补全(Knowledge Graph Completion, KGC)是一种通过链接预测或关系提取来填充缺少的链接来改进知识图谱的方法。KGC的主要困难之一是资源不足。之前的方法假设有足够训练的三元组来学习实体和关系的通用向量，或者假设有足够数量的标签句子来训练一个合格的关系提取模型。然而，在KGs中，少资源关系非常普遍，这些新增加的关系往往没有很多已知的样本去进行训练。在这项工作中，我们的目标是在具有挑战性的环境下只有有限可用的训练实例预测新的事实。我们提出了一个加权关系对抗性网络的通用框架，它利用对抗性过程来帮助将从多资源关系中学习到的知识/特征调整为不同但相关的少资源关系。具体地说，该框架利用了一个关系鉴别器来区分样本和不同的关系，帮助学习更容易从源关系转移到目标关系的关系不变量特征。实验结果表明，该方法在少资源设置下的链路预测和关系提取都优于以往的方法。