知识图谱中结构感知的负采样
机器学习
2020-10-08 v2 计算与语言
机器学习
摘要
使用对比估计学习知识图谱中实体和关系的低维表示是一种可扩展且有效的推断连接模式的方法。对比学习方法的一个关键方面是生成困难负样本的损坏分布的选择，这些困难负样本迫使嵌入模型学习判别性表示并找到观测数据的关键特征。虽然早期的方法要么采用过于简单的损坏分布（即均匀分布），产生容易且无信息的负样本，要么采用复杂的对抗分布并伴随具有挑战性的优化方案，但它们没有显式地结合已知的图结构，从而导致次优的负样本。在本文中，我们提出了结构感知负采样（SANS），一种廉价的负采样策略，它通过从节点的k跳邻域中选择负样本来利用丰富的图结构。通过实验，我们证明SANS能找到语义上有意义的负样本，并且与SOTA方法相比具有竞争力，同时不需要额外的参数，也不需要困难的对抗优化。
引用
@article{arxiv.2009.11355,
title = {Structure Aware Negative Sampling in Knowledge Graphs},
author = {Kian Ahrabian and Aarash Feizi and Yasmin Salehi and William L. Hamilton and Avishek Joey Bose},
journal= {arXiv preprint arXiv:2009.11355},
year = {2020}
}
备注
Accepted to EMNLP 2020. Camera-ready submission