基于注意力损失的关系感知网络用于少样本知识图谱补全
计算与语言
2025-07-08 v2 人工智能
机器学习
摘要
少样本知识图谱补全（FKGC）任务旨在利用少样本参考实体对预测某一关系的未知事实。当前方法为每个参考实体对随机选取一个负样本以最小化基于间隔的排序损失，若负样本远离正样本且超出间隔，则极易导致零损失问题。此外，实体在不同上下文中应具有不同的表示。为解决这些问题，我们提出了一种新颖的基于注意力损失的关系感知网络（RANA）框架。具体而言，为更好地利用丰富的负样本并缓解零损失问题，我们策略性地选取相关负样本，并设计了一种基于注意力的损失函数以进一步区分每个负样本的重要性。其直觉在于，与正样本更相似的负样本将对模型贡献更多。进一步，我们设计了一个动态关系感知实体编码器，用于学习上下文相关的实体表示。实验表明，RANA 在两个基准数据集上优于最先进的模型。
引用
@article{arxiv.2306.09519,
title = {Relation-Aware Network with Attention-Based Loss for Few-Shot Knowledge Graph Completion},
author = {Qiao Qiao and Yuepei Li and Kang Zhou and Qi Li},
journal= {arXiv preprint arXiv:2306.09519},
year = {2025}
}
备注
conference PAKDD 2023