负采样对知识图谱链接预测影响的分析

知识图谱是庞大且有用但不完整的知识库。它们通过实体和关系编码知识，实体和关系又通过图的连接结构相互定义。这启发了将实体和关系联合嵌入到连续低维向量空间中的方法，该方法可用于在图中推导新边，即知识图谱中的链接预测。学习这些表示依赖于将正实例与负实例进行对比。知识图谱仅包含正关系实例，这为选择负例的各种方法留下了空间。在本文中，我们提出了一项关于负采样对所学嵌入影响的实证研究，并通过链接预测任务进行评估。我们使用最先进的知识图谱嵌入——RESCAL、TransE、DistMult 和 ComplEX——并在基准数据集 FB15k 和 WN18 上进行评估。我们比较了众所周知的负采样方法，并额外提出了基于嵌入的采样方法。我们注意到这些采样方法在两个数据集上的影响存在显著差异，“传统的”破坏正例方法在 WN18 上取得了最佳结果，而基于嵌入的方法则有利于在 FB15k 上的任务。