MixKG：面向知识图谱中更难负样本的混合方法
人工智能
2022-02-22 v1
摘要
知识图谱嵌入(KGE)旨在将实体和关系表示为低维向量，以服务于许多实际应用。实体和关系的表示通过对正三元组与负三元组进行对比学习得到。因此，高质量负样本在KGE中极为重要。然而，现有KGE模型要么依赖简单负采样方法，难以获得信息丰富的负三元组；要么采用复杂对抗方法，需要更多训练数据与策略。此外，这些方法只能利用已有实体构造负三元组，限制了探索更难负样本的潜力。为解决这些问题，我们在生成知识图谱更难负样本时采用混合操作，并引入一种廉价而有效的方法称为MixKG。技术上，MixKG首先提出两类准则以在采样负样本中筛选难负三元组：基于打分函数和基于正确实体相似度。随后，MixKG通过对所选成对难负样本作凸组合来合成更难负样本。在两个公开数据集和四种经典KGE方法上的实验表明MixKG优于以往的负采样算法。
引用
@article{arxiv.2202.09606,
title = {MixKG: Mixing for harder negative samples in knowledge graph},
author = {Feihu Che and Guohua Yang and Pengpeng Shao and Dawei Zhang and Jianhua Tao},
journal= {arXiv preprint arXiv:2202.09606},
year = {2022}
}