一种用于知识图谱补全的预训练框架
人工智能
2023-03-20 v2
摘要
知识图谱补全（KGC）是识别知识图谱中新事实的有效方法之一。除了少数基于图网络的方法外，大多数 KGC 方法倾向于基于独立三元组进行训练，从而难以充分考虑知识网络中包含的全局网络连接信息。为了解决这些问题，在本研究中，我们提出了一种简单有效的基于网络的预训练框架用于知识图谱补全（称为 NetPeace），该框架同时考虑了知识图谱中的全局网络连接信息和局部三元组关系。实验表明，在 NetPeace 框架中，多个 KGC 模型在基准测试上取得了一致且显著的提升（例如，TuckER 在 FB15k-237 上的 Hits@1 提升了 36.45%，MRR 提升了 27.40%），尤其是在密集知识图谱上。在具有挑战性的低资源任务中，得益于 KG 全局特征的 NetPeace 比原始模型实现了更高的性能（MRR 最多提升 104.03%，Hit@1 最多提升 143.89%）。
引用
@article{arxiv.2302.02614,
title = {A Pre-training Framework for Knowledge Graph Completion},
author = {Kuan Xu and Kuo Yang and Hanyang Dong and Xinyan Wang and Jian Yu and Xuezhong Zhou},
journal= {arXiv preprint arXiv:2302.02614},
year = {2023}
}