威廉·莎士比亚真的写了《哈姆雷特》吗？基于置信度的知识表示学习

知识图谱（KGs）能够提供实体间本质的关系信息，已被广泛应用于各种知识驱动的应用中。由于人类整体知识海量且仍在爆炸式增长和频繁变化，知识构建与更新不可避免地涉及较少人工监督的自动机制，这通常给知识图谱带来大量噪声和冲突。然而，大多数传统的知识表示学习方法假设现有知识图谱中的所有三元组事实具有相同的重要性且不含任何噪声。为解决此问题，我们提出一种新颖的置信度感知知识表示学习框架（CKRL），在学习的知识表示的同时检测知识图谱中可能的噪声并赋予置信度。具体地，我们将三元组置信度引入传统的基于平移的知识表示学习方法。为使三元组置信度更灵活和通用，我们仅利用知识图谱中的内部结构信息，并提出考虑局部和全局结构信息的三种三元组置信度。在实验中，我们在知识图谱噪声检测、知识图谱补全和三元组分类上评估我们的模型。实验结果表明，我们的置信度感知模型在所有任务上均取得显著且一致的提升，这证实了 CKRL 利用结构信息在知识图谱噪声检测和知识表示学习中建模置信度的能力。