基于自适应去噪混合的知识图谱嵌入负采样方法
人工智能
2023-10-17 v1
摘要
知识图谱嵌入（KGE）旨在通过对比正三元组与负三元组，将知识图谱（KG）的实体与关系映射到低维稠密向量空间。在 KGE 的训练过程中，由于知识图谱仅包含正三元组，负采样对于寻找高质量负三元组至关重要。大多数现有负采样方法假设高分的非存在三元组即为高质量负三元组。然而，这些方法采样得到的负三元组很可能包含噪声。具体而言，它们忽略了由于知识图谱的不完备性，高分的非存在三元组也可能为真实事实，这类三元组通常被称为假负三元组。为缓解上述问题，我们提出了一种易于即插即用的去噪混合方法 DeMix，其以自监督方式精炼采样得到的负三元组，从而生成高质量三元组。给定一个采样的无标签三元组，DeMix 首先基于 KGE 模型自身的判断将其分类为边缘伪负三元组或负三元组。其次，它为当前三元组选择合适的混合伙伴，以合成部分正三元组或更难的负三元组。在知识图谱补全任务上的实验结果表明，所提出的 DeMix 优于其他负采样技术，使相应 KGE 更快收敛并取得更好的链接预测结果。
引用
@article{arxiv.2310.09781,
title = {Negative Sampling with Adaptive Denoising Mixup for Knowledge Graph Embedding},
author = {Xiangnan Chen and Wen Zhang and Zhen Yao and Mingyang Chen and Siliang Tang},
journal= {arXiv preprint arXiv:2310.09781},
year = {2023}
}
备注
Accepted by ISWC 2023