区别对待不同负样本：以域与值域约束丰富链接预测损失函数

知识图谱嵌入模型（KGEMs）被用于知识图谱（KGs）相关的各类任务，包括链接预测。它们以考量真三元组与假三元组批次的损失函数进行训练。然而，存在不同种类的假三元组，且近期工作表明不应等同视之，从而引向特定的负采样过程。顺应此近期假设，我们主张：就关系签名（域与值域）而言语义有效的负三元组为高质量负样本。据此，我们丰富了三类主要链接预测损失函数，使各类负样本均被采样，但依据其语义有效性区别对待。在一个广泛且受控的实验设定中，我们显示所提损失函数系统性地给出令人满意的结果，证明了我们方法的通用性与优越性。事实上，所提损失函数（1）带来更优的 MRR 与 Hits@10 值，（2）依 Sem@K 度量将 KGEMs 导向更好的语义正确性。这凸显关系签名从全局上改进 KGEMs，故应被纳入损失函数。关系的域与值域在模式定义 KGs 中广泛可用，这使得我们的方法既有益又可在实践中广泛运用。