AutoSF：面向知识图谱嵌入的评分函数搜索
机器学习
2020-03-02 v3 机器学习
摘要
评分函数（SFs）用于度量知识图谱（KG）中三元组的可信度，已成为知识图谱嵌入的关键。近年来人类设计了大量旨在捕捉知识图谱中不同关系类型的评分函数。然而，由于关系可能呈现复杂模式且难以在训练前推断，现有基准数据集上无一能始终优于其他函数。本文受自动化机器学习（AutoML）近期成功的启发，提出利用AutoML技术为不同知识图谱自动设计评分函数（AutoSF）。但在此利用领域特定信息以使AutoSF高效且有效并非易事。我们首先对常用评分函数确立统一表示，借此为AutoSF构建搜索空间。随后提出一种贪心算法在该空间内高效搜索。通过滤波器与预测器进一步加速该算法，二者可避免重复训练表达力相同的评分函数，并在模型训练前的搜索过程中剔除不良候选。最后，我们在基准数据集上进行了充分实验。链接预测与三元组分类结果表明，AutoSF搜索得到的评分函数依赖于知识图谱、为文献中未见的新函数，且优于人类设计的当前最优评分函数。
引用
@article{arxiv.1904.11682,
title = {AutoSF: Searching Scoring Functions for Knowledge Graph Embedding},
author = {Yongqi Zhang and Quanming Yao and Wenyuan Dai and Lei Chen},
journal= {arXiv preprint arXiv:1904.11682},
year = {2020}
}
备注
accepted by ICDE 2020