用于关系学习的 Probit 张量分解模型

随着知识图谱的激增，对具有复杂多关系结构的数据进行建模在统计关系学习领域受到越来越多的关注。统计关系学习最重要的目标之一是链接预测，即预测知识图谱中某些关系是否存在。已有大量模型和算法被提出用于链接预测，其中张量分解方法在计算效率和预测精度方面被证明达到了最先进的性能。然而，现有张量分解模型的一个共同缺陷是将缺失关系与不存在关系同等对待，导致信息损失。为解决此问题，我们提出了一种带 probit 链接的二值张量分解模型，该模型不仅继承了经典张量分解模型的计算效率，还考虑了关系数据的二值特性。我们提出的 probit 张量分解（PTF）模型在预测精度和可解释性方面均展现出优势。