架构复杂度被高估了吗？基于 RelatE 的具竞争力且可解释的知识图谱补全
计算与语言
2025-05-27 v1 信息检索
摘要
我们重新审视了用于知识图谱补全的简单实值嵌入模型的有效性，并引入了 RelatE，这是一种可解释且模块化的方法，能够高效整合实体和关系的双重表示。RelatE 采用实值相位-模分解，利用正弦相位对齐来编码对称、反转和组合等关系模式。与基于复值嵌入或深度神经架构的近期方法相比，RelatE 保持了架构的简单性，同时在标准基准测试上取得了具竞争力或更优的性能。在实验中，RelatE 在多个数据集上优于先前的方法：在 YAGO3-10 上，它达到了 0.521 的 MRR 和 0.680 的 Hit@10，超越了所有基线。此外，RelatE 提供了显著的效率提升，与 RotatE 相比，训练时间减少了 24%，推理延迟降低了 31%，峰值 GPU 内存使用量减少了 22%。扰动研究表明其鲁棒性有所提高，在边移除和关系交换等结构编辑下，与 TransE 相比 MRR 退化最多减少了 61%，与 RotatE 相比最多减少了 19%。形式化分析进一步确立了该模型的完全表达能力及其表示基本一阶逻辑推理模式的能力。这些结果将 RelatE 定位为用于知识图谱补全的、可替代更复杂架构的可扩展且可解释的方案。
引用
@article{arxiv.2505.18971,
title = {Is Architectural Complexity Overrated? Competitive and Interpretable Knowledge Graph Completion with RelatE},
author = {Abhijit Chakraborty and Chahana Dahal and Ashutosh Balasubramaniam and Tejas Anvekar and Vivek Gupta},
journal= {arXiv preprint arXiv:2505.18971},
year = {2025}
}