ADKGD: 基于双通道训练的知识图谱异常检测
人工智能
2025-01-14 v1 数据库
摘要
在大型语言模型（LLMs）的当前发展中，确保底层数据源的准确性和可靠性至关重要。LLMs对各种应用至关重要，但由于训练数据中的知识差距，它们常常出现幻觉和不准确性。知识图谱（KGs）作为一种强大的结构化工具，可以作为重要的外部信息源来缓解上述问题。通过提供对现实世界数据的结构化和全面理解，KGs增强了LLMs的性能和可靠性。然而，在从非结构化数据中提取三元组以构建KGs时，KGs中存在错误是常见的。这可能导致下游任务（如问答和推荐系统）性能下降。因此，KGs中的异常检测对于识别和纠正这些错误至关重要。本文提出了一种基于双通道学习的知识图谱异常检测算法（ADKGD）。ADKGD利用双通道学习方法从实体视图和三元组视图两个角度增强表示学习。此外，使用跨层方法，我们的框架集成了内部信息聚合和上下文信息聚合。我们引入了一个KL散度损失组件，以提高双通道之间评分函数的准确性。为了评估ADKGD的性能，我们在三个真实世界的KGs上进行了实证研究：WN18RR、FB15K和NELL-995。实验结果表明，ADKGD优于最先进的异常检测算法。源代码和数据集可在https://github.com/csjywu1/ADKGD公开获取。
引用
@article{arxiv.2501.07078,
title = {ADKGD: Anomaly Detection in Knowledge Graphs with Dual-Channel Training},
author = {Jiayang Wu and Wensheng Gan and Jiahao Zhang and Philip S. Yu},
journal= {arXiv preprint arXiv:2501.07078},
year = {2025}
}
备注
Preprint. 11 figures, 6 tables