面向知识图谱的多样性和自适应负采样

在知识图谱嵌入中，除正三元组（即知识图谱中的事实）外，训练中使用的负三元组也直接影响模型性能。实际情况下，由于知识图谱稀疏且不完整，负三元组往往缺乏明确标签，因而需通过多种采样策略获取（例如：随机替换正三元组中的实体）。理想的采样负三元组应具备足够的信息性，以帮助模型更好地训练。然而，现有方法在采样过程中往往忽视多样性和自适应性，这会损害负三元组的信息性。为此，我们提出了一种称为 DANS（Diversified and Adaptive Negative Sampling）的生成对抗方法，用于知识图谱。DANS 配备双向生成器，通过两种路径生成更具多样性的负三元组，并通过针对不同实体和关系的局部化全局生成器实现自适应机制，从而产生更细粒度的样本。一方面，双向生成器通过提供更具多样性的负样本来提高整体信息性；另一方面，自适应机制通过更细致的采样提高单个样本级的信息性。最后，我们在三个基准知识图谱上对 DANS 的性能进行了定性和定量实验评估，以证明其有效性。