SASA：面向三元组分类的分离注意力语义感知对比学习框架
计算与语言
2026-01-21 v1 机器学习
摘要
知识图谱（KG）经常受到不可靠知识的困扰，这限制了它们的实用性。三元组分类（TC）旨在判定来自 KG 的三元组的有效性。最近，基于文本的方法从自然语言描述中学习实体和关系表示，显著提高了 TC 模型的泛化能力并设定了新的性能基准。然而，仍然存在两个关键挑战。首先，现有方法通常忽略不同 KG 组件之间的有效语义交互。其次，大多数方法采用单一二元分类训练目标，导致语义表示学习不充分。为了应对这些挑战，我们提出了 \textbf{SASA}，这是一个新颖的框架，旨在通过分离注意力机制和语义感知对比学习（CL）来增强 TC 模型。具体而言，我们首先提出分离注意力机制，将三元组编码为解耦的上下文表示，然后通过更有效的交互方式进行融合。接着，我们引入语义感知分层 CL 作为辅助训练目标，结合局部和全局 CL，指导模型提高其判别能力并实现充分的语义学习。在两个基准数据集上的实验结果表明，SASA 显著优于现有最先进的方法。在准确率方面，我们在 FB15k-237 上将现有最先进水平提升了 +5.9\%，在 YAGO3-10 上提升了 +3.4\%。
引用
@article{arxiv.2601.13035,
title = {SASA: Semantic-Aware Contrastive Learning Framework with Separated Attention for Triple Classification},
author = {Xu Xiaodan and Hu Xiaolin},
journal= {arXiv preprint arXiv:2601.13035},
year = {2026}
}
备注
in progress