缺失链接可预测吗？面向知识图谱补全的推理基准
计算与语言
2021-08-26 v2
摘要
我们提出了 InferWiki，一个在推理能力、假设和模式方面改进了现有基准的知识图谱补全（KGC）数据集。首先，每个测试样本都可以通过训练集中的支持数据进行预测。为确保这一点，我们提出利用规则引导的训练/测试生成，而非传统的随机划分。其次，InferWiki 遵循开放世界假设启动评估，并通过提供人工标注的负三元组和未知三元组，提高了封闭世界假设的推理难度。第三，我们包含了多种推理模式（例如，推理路径长度和类型）以进行综合评估。在实验中，我们构建了两种规模和结构不同的 InferWiki 设置，并将构建过程应用于 CoDEx 作为比较数据集。结果和实证分析证明了 InferWiki 的必要性和高质量。尽管如此，各种推理假设和模式之间的性能差距展现了其难度，并启发了未来的研究方向。我们的数据集可在 https://github.com/TaoMiner/inferwiki 找到。
引用
@article{arxiv.2108.01387,
title = {Are Missing Links Predictable? An Inferential Benchmark for Knowledge Graph Completion},
author = {Yixin Cao and Xiang Ji and Xin Lv and Juanzi Li and Yonggang Wen and Hanwang Zhang},
journal= {arXiv preprint arXiv:2108.01387},
year = {2021}
}
备注
15 pages, 13 figures, ACL'2021