基于中间变量正则化的知识图谱补全
机器学习
2025-06-04 v1 人工智能
摘要
知识图谱补全（KGC）可被构建为三阶二元张量补全任务。基于张量分解（TDB）的模型在 KGC 中表现出色。本文总结了现有 TDB 模型并推导了它们的一般形式，作为进一步探索 TDB 模型的基础。尽管 TDB 模型具有表达能力，但它们容易过拟合。现有正则化方法仅通过最小化嵌入的范数来正则化模型，导致性能次优。因此，我们提出了一种新的 TDB 模型正则化方法以解决这一局限性。该正则化适用于大多数 TDB 模型并确保计算的可处理性。我们的方法最小化了在计算预测张量的不同方式中涉及的中间变量的范数。为支持我们的正则化方法，我们提供了理论分析，证明其在促进预测张量的低迹范数以减少过拟合方面的效果。最后，我们进行了实验以验证正则化技术的有效性以及理论分析的可靠性。代码可在 https://github.com/changyi7231/IVR 获取。
引用
@article{arxiv.2506.02749,
title = {Knowledge Graph Completion by Intermediate Variables Regularization},
author = {Changyi Xiao and Yixin Cao},
journal= {arXiv preprint arXiv:2506.02749},
year = {2025}
}