基于对比学习的知识图谱错误检测
机器学习
2022-11-21 v1 人工智能
摘要
知识图谱（KG）中的错误会引入不可忽略的噪声，严重影响KG相关下游任务。检测KG中的错误具有挑战性，因为错误模式未知且多样，而真值标签稀少甚至不可用。传统解决方案是构建逻辑规则来验证三元组，但由于不同KG涉及领域知识而具有不同规则，故不具备泛化性。近期研究聚焦于设计定制检测器或基于KG嵌入损失对三元组排序。然而，它们都依赖负样本进行训练，这些负样本通过随机替换现有三元组的头实体或尾实体生成。此类负采样策略不足以刻画实际KG错误，例如（Bruce_Lee, place_of_birth, China），其中三元素常相关但不匹配。我们期望一种更有效的面向KG错误检测的无监督学习机制。为此，我们提出新框架——对比知识图谱错误检测（CAGED）。它将对比学习引入KG学习并提供建模KG的新方式。CAGED不遵循传统设定（即实体为节点、关系为语义边），而是将每个关系三元组视为节点，把KG增强为不同超视图。在KG嵌入与对比学习损失联合训练后，CAGED基于两个学习信号（即三元组跨多视图表示的一致性与三元组内部自一致性）评估每个三元组的可靠性。在三个真实世界KG上的大量实验表明，CAGED在KG错误检测上优于最先进的方法。我们的代码与数据集可在 https://github.com/Qing145/CAGED.git 获取。
引用
@article{arxiv.2211.10030,
title = {Contrastive Knowledge Graph Error Detection},
author = {Qinggang Zhang and Junnan Dong and Keyu Duan and Xiao Huang and Yezi Liu and Linchuan Xu},
journal= {arXiv preprint arXiv:2211.10030},
year = {2022}
}