通过语义、谱和结构度量评估知识图谱的复杂性用于链接预测
机器学习
2025-08-22 v1 计算与语言
摘要
理解数据集的复杂性对于评估和比较知识图谱（KGs）上的链接预测模型至关重要。虽然已提出累积谱梯度（CSG）指标，作为基于概率在谱聚类框架内类之间分布的分类器无关复杂性指标，据称其与类基数数目相关并与下游性能相关，但迄今尚未在 KG 环境中进行评估。在本工作中，我们批判性地检验了 CSG 在多关系链接预测中的应用，纳入通过 transformer 派生的语义表示。与先前的主张相反，我们发现 CSG 对参数化高度敏感，且不稳健地与类数目比例。此外，它在与均值互惠等级（MRR）和 Hit@1 标准绩效指标之间表现出弱或不一致的相关性。为深入分析，我们引入并基准测试一组结构和语义 KG 复杂性指标。我们的发现表明，通过关系熵、节点层面最大关系多样性和关系类型基数捕获的全局和局部关系歧义与 MRR 和 Hit@1 呈强负相关，表明这些指标更可靠地反映任务难度。相反，图的连通性度量，如平均度、度熵、PageRank 和特征向量中心性与 Hit@10 呈正相关。我们的结果表明，CSG 所谓的稳定性和泛化预测能力在链接预测环境中并不成立，强调需要在知识驱动的学习中开发更稳健、更可解释且与任务对齐的复杂性度量。
引用
@article{arxiv.2508.15291,
title = {Evaluating Knowledge Graph Complexity via Semantic, Spectral, and Structural Metrics for Link Prediction},
author = {Haji Gul and Abul Ghani Naim and Ajaz Ahmad Bhat},
journal= {arXiv preprint arXiv:2508.15291},
year = {2025}
}