基于规则学习的知识图谱嵌入在关系模式上的综合研究
人工智能
2023-08-16 v1 计算与语言
摘要
知识图谱嵌入（KGE）已被证明是解决知识图谱补全（KGC）任务的有效方法。关系模式指具有特定语义并展现图模式的关系，是KGE模型性能的重要因素。尽管KGE模型在不同关系模式上的能力已在理论上得到分析，且已建立关系模式建模越好与KGC性能越好之间的粗略联系，但针对KGE模型在关系模式上的综合定量分析仍然缺失，因此KGE对某关系模式的理论支持如何贡献于该关系模式相关三元组的性能尚不确定。为应对这一挑战，我们在2个基准上评估了7个KGE模型在4种常见关系模式上的性能，进而从理论、实体频率和整体-部分三个方面进行分析并得出一些反直觉结论。最后，我们引入一种无需训练的方法基于分数的模式适配（SPA）以增强KGE模型在各种关系模式上的性能。该方法简单而有效，可应用于KGE模型而无需额外训练。实验结果表明，我们的方法普遍提升了在特定关系模式上的性能。我们的源代码可在GitHub获取：https://github.com/zjukg/Comprehensive-Study-over-Relational-Patterns。
引用
@article{arxiv.2308.07889,
title = {A Comprehensive Study on Knowledge Graph Embedding over Relational Patterns Based on Rule Learning},
author = {Long Jin and Zhen Yao and Mingyang Chen and Huajun Chen and Wen Zhang},
journal= {arXiv preprint arXiv:2308.07889},
year = {2023}
}
备注
This paper is accepted by ISWC 2023