面向知识图谱嵌入模型的领域与范围感知合成负样本生成
人工智能
2024-11-25 v1
摘要
知识图谱嵌入模型通过将实体和边缘在低维空间中表示，已在解决与完成和探索知识图谱（KG）相关任务方面取得极大成功。训练这类模型的一个关键方面是教会其区分真实陈述（正样本）和虚假陈述（负样本）。然而，负样本的定义方式并不 trivial，因为缺失于知识图谱中的事实未必是错误的，而且几乎不存在给定的真实负样本集合。这使得合成负样本生成成为必然需求。不同的生成策略会严重影响嵌入质量，因而成为一个需要重点考虑的主要方面。我们改进了一种在训练时尊重关系域和范围的生成器损坏的方法，扩展了其功能，并表明我们的方法在标准基准数据集上提升了超过10%的 MRR，在更大规模的本体驱动数据集上提升了超过150%的 MRR。
引用
@article{arxiv.2411.14858,
title = {Domain and Range Aware Synthetic Negatives Generation for Knowledge Graph Embedding Models},
author = {Alberto Bernardi and Luca Costabello},
journal= {arXiv preprint arXiv:2411.14858},
year = {2024}
}
备注
Accepted at the Third Learning on Graphs Conference (LoG 2024)