重新思考知识图谱补全的正则化方法
机器学习
2025-05-30 v1 计算与语言
摘要
知识图谱补全（KGC）近年来引起了广泛关注，因为它对提高知识图谱的质量至关重要。研究人员不断探索各种模型。然而，大多数先前的努力忽略了从更深层视角利用正则化，因此未能发挥其全部潜力。本文重新思考了正则化方法在 KGC 中的应用。通过对各种 KGC 模型进行广泛的实证研究，我们发现精心设计的正则化不仅能缓解过拟合和减少方差，还能使这些模型突破其原始性能的上限。此外，我们引入了一种新颖的稀疏正则化方法，将基于排序的选择性稀疏概念嵌入到 KGC 正则化器中。其核心思想是选择性地惩罚嵌入向量中具有显著特征的组件，从而有效地忽略许多贡献很小且可能仅代表噪声的组件。在多个数据集和多个模型上的各种对比实验表明，SPR 正则化方法优于其他正则化方法，并能使 KGC 模型进一步突破性能边界。
引用
@article{arxiv.2505.23442,
title = {Rethinking Regularization Methods for Knowledge Graph Completion},
author = {Linyu Li and Zhi Jin and Yuanpeng He and Dongming Jin and Haoran Duan and Zhengwei Tao and Xuan Zhang and Jiandong Li},
journal= {arXiv preprint arXiv:2505.23442},
year = {2025}
}