知识库补全：基线模型的反击
机器学习
2017-05-31 v1 人工智能
摘要
过去几年中，关于知识库补全任务已发表了大量论文。其中大多数引入了新颖的关系学习架构，并在 FB15k 和 WN18 等标准数据集上进行评估。本文表明，在 FB15k 上发表的几乎所有模型的准确率都可以被一个经过适当调优的基线模型——我们重新实现的 DistMult 模型——所超越。我们的发现对近期模型的性能提升归因于架构改进而非超参数调优或不同训练目标的说法提出了质疑。这应促使未来的研究重新思考如何评估和报告模型的性能。
引用
@article{arxiv.1705.10744,
title = {Knowledge Base Completion: Baselines Strike Back},
author = {Rudolf Kadlec and Ondrej Bajgar and Jan Kleindienst},
journal= {arXiv preprint arXiv:1705.10744},
year = {2017}
}