面向链接预测模型的 SnapE -- 训练快照集成

快照集成在各类预测领域广泛应用。它们以训练单个模型的成本训练多个预测模型的集合，已被证明通过创建一组多样化基模型而产生更稳健的预测。在本文中，我们提出一种将快照集成思想转移到知识图谱中链接预测模型的方法。此外，由于知识图谱中的链接预测缺乏显式的负面样本，我们提出了一种新颖的训练循环，该循环使用前一个快照模型迭代创建负面样本。在四个基模型和四个数据集上的评估表明，该方法始终优于单模型方法，同时保持恒定的训练时间。