通过增强负采样提升知识图谱基础模型性能
人工智能
2026-05-27 v1
摘要
知识图谱（Knowledge Graph, KG）已成为诸如问答和推荐系统等众多下游任务的核心支撑。然而，知识图谱常常不完整。为实现在未见知识图谱上的零样图知识图谱完成——这些知识图谱的关系词汇与预训练期间使用的不同——知识图谱基础模型（KG foundation models, KGFMs）受到广泛关注。现有 KGFMs 通常使用随机负采样进行训练，即通过替换正三元组的 head 或 tail 实体来构造随机实体。然而，这些负采样常构造质量有限，为 KGFM 训练提供的监督信号较弱。本文提出一种简单而有效的自适应负采样方法，名为 KMAS，以增强现有 KGFMs。KMAS 通过 KGFMs 关系编码器生成的更新后关系嵌入构造硬负三元组。为进一步适应 KGFM 在训练过程中能力的演进，KMAS 在整个训练过程中动态调整硬负三元组的比例：在 warmup 阶段后，比例线性递增，然后线性递减。我们在 44 个数据集上进行大量实验。实验结果表明，所提出的负采样方法可以在不额外耗费大量时间或内存的前提下，提升众多 SOTA KGFMs 的性能。
引用
@article{arxiv.2605.27023,
title = {Boosting Knowledge Graph Foundation Models via Enhanced Negative Sampling},
author = {Yinan Liu and Wenjin Xu and Zhiyuan Zha and Xiaochun Yang and Bin Wang},
journal= {arXiv preprint arXiv:2605.27023},
year = {2026}
}