面向知识图谱嵌入的实体感知负采样与假阴性预测辅助损失
机器学习
2022-10-13 v1 人工智能
摘要
知识图谱（KG）嵌入在使用 KG 的许多下游应用中被广泛使用。一般而言，由于 KG 仅包含真值三元组，有必要为 KG 的表示学习构造任意负样本。近来，由于负三元组的质量对 KG 嵌入影响重大，各种采样高质量负样本的方法被加以研究。本文提出一种称为实体感知负采样（EANS）的新方法，其通过对齐的实体索引空间上采用高斯分布，能够采样出与正样本实体相似的负实体。此外，我们引入用于假阴性预测的辅助损失，以缓解所采样假阴性三元组的影响。所提方法无论负样本规模大小均能生成高质量负样本，并有效减轻假阴性样本的影响。在标准基准上的实验结果表明，我们的 EANS 在多个知识图谱嵌入模型上优于现有的 SOTA 负采样方法。而且，即便负样本数量限制为仅一个，所提方法仍取得具有竞争力的性能。
引用
@article{arxiv.2210.06242,
title = {Entity Aware Negative Sampling with Auxiliary Loss of False Negative Prediction for Knowledge Graph Embedding},
author = {Sang-Hyun Je},
journal= {arXiv preprint arXiv:2210.06242},
year = {2022}
}