ER：面向知识图谱补全的等变正则化器
人工智能
2022-06-27 v1
摘要
张量分解与基于距离的模型在知识图谱补全（KGC）中发挥着重要作用。然而，KGC方法中的关系矩阵往往导致较高的模型复杂度，存在严重的过拟合风险。作为补救，研究者提出了多种不同的正则化器，如张量核范数正则化器。我们的动机源于如下观察：以往工作仅关注参数空间的“规模”，而广泛忽略了隐式语义信息。为解决此问题，我们提出一种新的正则化器，即等变正则化器（ER），其通过利用隐式语义信息来抑制过拟合。具体而言，ER可通过利用头实体与尾实体之间的语义等变性来增强模型的泛化能力。此外，它是基于距离的模型与基于张量分解模型的通用解决方案。实验结果表明，相较于最先进的关系预测方法，本方法取得了明确且显著的提升。
引用
@article{arxiv.2206.12142,
title = {ER: Equivariance Regularizer for Knowledge Graph Completion},
author = {Zongsheng Cao and Qianqian Xu and Zhiyong Yang and Qingming Huang},
journal= {arXiv preprint arXiv:2206.12142},
year = {2022}
}