为知识图谱嵌入模型增强PyKEEN：多负采样解决方案
机器学习
2025-08-08 v1
摘要
嵌入方法因其在知识图谱上的链接预测和/或三元分类任务中的可扩展性而流行。嵌入模型依赖正负三元样本进行训练。然而，在缺乏负断言的情况下，这些必须通常通过各种负采样策略人工生成， ranging 从随机破坏到更精细的技术，这些技术对整体性能具有影响。大多数知名的知识图谱嵌入库仅支持基本此类策略，缺乏高级解决方案。为填补这一差距，我们为流行的KGE框架PyKEEN提供了一个扩展，集成了一套几乎多个高级负采样器（包括静态和动态破坏策略），在一致的模块化架构中，以兼容现有PyKEEN工作流程和管道的方式生成有意义的负样本。所开发的扩展不仅增强了PyKEEN本身，也允许更轻松地开发嵌入方法或进行其定制。作为一种概念证明，我们呈现了对所开发扩展的全面实证研究，以及其对不同嵌入方法性能（链接预测任务）的影响，这也为设计更有效的策略提供了有用的见解。
引用
@article{arxiv.2508.05587,
title = {Enhancing PyKEEN with Multiple Negative Sampling Solutions for Knowledge Graph Embedding Models},
author = {Claudia d'Amato and Ivan Diliso and Nicola Fanizzi and Zafar Saeed},
journal= {arXiv preprint arXiv:2508.05587},
year = {2025}
}
备注
18 pages, 3 figures