Title
Knowledge-driven event embedding for stock prediction (COLING 2016)
Summary
沿用NTN(Neural tensor network)利用knowledge graph来构建event embeddig 和knowledge embedding,并联合训练。训练好的embedding用于stock prediction,并且在case study中人为评价event similarity。
Research Objective
event embedding
Problem Statement
- 基于word embedding进行事件编码存在问题:embedding相似度无法表达与意见联系;同一含义的不同表示的向量相似度无关。导致原因:缺少背景知识(background knowledge)
- event embedding的优势:1)捕获语义和句法信息 2)减少离散事件的稀疏性。应在相似语义和语法的信息上有着类似的embedding
- 知识图谱蕴含信息:种类知识和关系知识。种类知识:蕴含实体的属性,表达相似属性的实体关系;关系知识:表达关系,区分相似字向量编码的不同事件组。
- 事件提取缺少实体和关系的领域知识(background knowledge)。本文方法:使用knowledge Graph进行event embedding learning。
Methods
Knowledge Graph Embedding
使用NTN(neural tensor network): 源自Reasoning With Neural Tensor Networks for Knowledge Base Completion
previous work:
- RNN(Recursive neural network )向量仅仅通过非线性函数进行隐式交互,向量间交互不足
- MV-RNN参数太大
- 适用于推理两个实体关系的神经网络。简单且强有力的组合函数能比许多特定输入的组合函数更加有效,能够通过组合更小的元素成分得到整体的含义。
- 思想:对所有结点通过使用相同的基于张量的组合函数。每一个张量切片可以捕捉到节点间一种类型的影响。
损失函数:
其中,T c ( i ) T_c^{(i)}T c (i )是将原来的e 2 e_2 e 2 随机替换。
https://zhuanlan.zhihu.com/p/338565219
https://blog.csdn.net/weixin_34195142/article/details/86358946
https://blog.csdn.net/yexiaohhjk/article/details/86374735
; Event Embedding
∗ f ( ⋅ ) = t a n h ( ) *f(·)=tanh()∗f (⋅)=t a n h ()
对主语(A A A)、谓语(P P P)、宾语(O O O)用word2vec的方式预训练,输入NTN进行计算:
S 1 = g ( A , P ) , S 2 = g ( A , P ) , C = g ( S 1 , S 2 ) S_1 =g(A,P), S_2=g(A,P), C=g(S_1,S_2)S 1 =g (A ,P ),S 2 =g (A ,P ),C =g (S 1 ,S 2 )
损失函数:
其中E r E^r E r为用随机的字向量w r w^r w r替代A A A后的编码结果。随机构造(损坏的)三元组分数应该比普通的低。损失函数是tanh,范围在(-1,1)。当E E E与E r E^r E r差值大于1,损失为0。
Joint Knowledge and Event Embedding
联合训练知识和事件embedding:
; Experiment
Event Similarity
- 人为判断向量相似度和事件相似度是否有关系,并进行评分。
- 语义相关但所用词汇不同的事件,embedding表现较好;模型相似语义或者主题的embedding靠近。
Stock Prediction
前一天的news information去预测后一天,对15支股票进行二分类预测。
Original: https://blog.csdn.net/weixin_42629959/article/details/117997060
Author: RheaTaeki
Title: Knowledge-Driven Event Embedding for Stock Prediction笔记
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/595208/
转载文章受原作者版权保护。转载请注明原作者出处!