知识图谱嵌入模型的概率校准

知识图谱嵌入研究忽视了概率校准问题。我们表明流行的嵌入模型确实未经过校准。这意味着与预测三元组相关联的概率估计是不可靠的。我们提出了一种在真实负样本不可用时（这是知识图谱中的通常情况）校准模型的新方法。我们提议将 Platt scaling 和 isotonic regression 与我们的方法一同使用。在三个具有真实负样本的数据集上的实验表明，与使用负样本的金标准相比，我们的贡献带来了良好校准的模型。我们从所有校准方法中获得了显著优于未校准模型的结果。我们表明 isotonic regression 总体上提供了最佳性能，但并非没有权衡。我们还表明，校准后的模型在无需定义关系特定决策阈值的情况下达到了最先进的准确率。