知识库补全：基线方法卷土重来（再度）
机器学习
2022-07-26 v3 人工智能
摘要
知识库补全(KBC)近来是一个非常活跃的领域。若干近期的KBC论文提出了架构改动、新训练方法甚至新表述。KBC系统通常在标准基准数据集上评估：FB15k、FB15k-237、WN18、WN18RR和Yago3-10。大多数现有方法在这些数据集中为每个正例训练时使用少量负样本以节省计算成本。本文讨论了近期的发展如何使我们能够使用所有可用负样本进行训练。我们表明，当使用所有可用负样本训练时，Complex在这些数据集上给出了接近最先进(SOTA)的性能。我们称此方法为COMPLEX-V2。我们还强调，文献中近期提出的各种乘法KBC方法如何从这种训练机制中受益，并在大多数数据集上变得在性能上难以区分。我们的工作呼吁根据这些发现重新评估它们各自的价值。
引用
@article{arxiv.2005.00804,
title = {Knowledge Base Completion: Baseline strikes back (Again)},
author = {Prachi Jain and Sushant Rathi and Mausam and Soumen Chakrabarti},
journal= {arXiv preprint arXiv:2005.00804},
year = {2022}
}