基于模型的子采样用于知识图谱补全
计算与语言
2024-04-15 v1 人工智能
机器学习
摘要
子采样在知识图谱嵌入（KGE）中能有效缓解知识图谱（KG）数据集稀疏性引起的过拟合。然而，当前的子采样方法仅考虑由实体及其关系构成的查询的频率。因此，现有子采样可能低估低频查询的出现概率，即便其实体或关系的频率很高。为解决此问题，我们提出基于模型的子采样（MBS）与混合子采样（MIX），通过 KGE 模型的预测来估计其出现概率。在 FB15k-237、WN18RR 与 YAGO3-10 数据集上的评估结果表明，我们所提子采样方法确实提升了流行 KGE 模型 RotatE、TransE、HAKE、ComplEx 与 DistMult 的知识图谱补全性能。
引用
@article{arxiv.2309.09296,
title = {Model-based Subsampling for Knowledge Graph Completion},
author = {Xincan Feng and Hidetaka Kamigaito and Katsuhiko Hayashi and Taro Watanabe},
journal= {arXiv preprint arXiv:2309.09296},
year = {2024}
}
备注
Accepted by AACL 2023; 9 pages, 3 figures, 5 tables