可裁剪知识图谱嵌入

知识图谱嵌入（KGE）是知识图谱（KG）在AI任务中常用的方法。嵌入维度取决于应用场景。需要新的维度意味着需要从头训练新的KGE模型，这会增加成本并限制效率和灵活性。在本工作中，我们提出了一种新的KGE训练框架MED。它允许一次训练获得用于多个具有不同维度需求场景的可裁剪KGE模型。所需维度的子模型可以直接裁剪并使用，而无需额外训练。在MED中，我们提出了一种互学习机制来提高低维子模型的性能，并使高维子模型保留低维子模型的能力；以及一种演化式改进机制，以促进高维子模型掌握低维子模型无法掌握的三元组；以及一种动态损失权重以自适应地平衡多个损失。实验在4个KGE模型上进行，涵盖4个标准KG完成数据集，3个实际场景中使用大规模KG，以及将MED扩展到BERT语言模型，均显示其有效性、高效率和灵活的可扩展性。