元数据表示模型比较：面向知识图谱嵌入
机器学习
2025-04-01 v2 人工智能
信息检索
摘要
超关系知识图谱（HRKG）超越传统知识图谱的二元关系，能够在历史事件、传感器数据、视频内容和叙事等领域中表示上下文、来源和时间信息。HRKG可使用多种元数据表示模型（MRM），包括重化（Reification, REF）、单例属性（Singleton Property, SGP）和RDF星（RDF-star, RDR）。然而，不同MRM对知识图谱嵌入（KG Embedding, KGE）和链接预测（Link Prediction, LP）模型的影响尚不明确。本研究在LP任务中评估了MRM，识别了现有评估框架的局限性，并引入一种确保跨MRM公平比较的新任务。此外，我们提出一种有效反映三种MRM在潜在空间中知识表示的框架。实验表明，在简单HRKG中，REF表现良好，而SGP效果较差；但在复杂HRKG中，MRM在LP任务中的差异较小。我们的发现为HRKG在LP任务中提供了最优的知识表示策略。
引用
@article{arxiv.2503.21804,
title = {Comparison of Metadata Representation Models for Knowledge Graph Embeddings},
author = {Shusaku Egami and Kyoumoto Matsushita and Takanori Ugai and Ken Fukuda},
journal= {arXiv preprint arXiv:2503.21804},
year = {2025}
}
备注
11 pages, 9 Figures