KG-NSF：基于无负采样方法的知识图谱补全
机器学习
2022-08-01 v1 人工智能
计算与语言
摘要
知识图谱（KG）补全是一项重要任务，极大裨益于诸多领域（如生物医学研究）中的知识发现。近年来，学习 KG 嵌入以执行该任务受到相当关注。尽管 KG 嵌入方法取得成功，它们主要使用负采样，导致计算复杂度增加，并因封闭世界假设而产生有偏预测。为克服这些局限，我们提出 \textbf{KG-NSF}，一种基于嵌入向量互相关矩阵学习 KG 嵌入的无负采样框架。结果表明，所提方法在链接预测性能上与基于负采样的方法相当，同时收敛速度快得多。
引用
@article{arxiv.2207.14617,
title = {KG-NSF: Knowledge Graph Completion with a Negative-Sample-Free Approach},
author = {Adil Bahaj and Safae Lhazmir and Mounir Ghogho},
journal= {arXiv preprint arXiv:2207.14617},
year = {2022}
}
备注
16 pages, 7 figures