基于半监督置信分布学习的不确定知识图谱完成
人工智能
2025-10-22 v2
摘要
不确定知识图谱 (UKG) 将每个三元组关联一个置信度分数，以提供更精确的知识表示。最近，由于现实世界的 UKG 存在不完整性，关注度已转向不确定知识图谱 (UKG) 完成，即旨在完成缺失的三元组和置信度。当前研究尝试通过学习 UKG 嵌入来解决此问题，但忽略了三元组置信度的极度不平衡分布。这导致所学习的嵌入不足以实现高质量的 UKG 完成。因此，本文提出了一种新的半监督置信分布学习 (ssCDL) 方法，用于 UKG 完成，其中将每个三元组的置信度转换为置信分布，以引入更多来自不同置信度的监督信息，以强化嵌入学习过程。ssCDL 通过在已标记数据（即具有置信度的现有三元组）和使用伪标签（即由元学习预测生成的不可见三元组）的未标记数据上进行关系学习来迭代学习 UKG 嵌入，这些伪标签用于增强训练数据并重新平衡三元组置信度的分布。在两个 UKG 数据集上的实验表明，ssCDL 在不同评估指标上 consistently 优于最先进的基线方法。
引用
@article{arxiv.2510.16601,
title = {Uncertain Knowledge Graph Completion via Semi-Supervised Confidence Distribution Learning},
author = {Tianxing Wu and Shutong Zhu and Jingting Wang and Ning Xu and Guilin Qi and Haofen Wang},
journal= {arXiv preprint arXiv:2510.16601},
year = {2025}
}
备注
13 pages, accepted by NeurIPS 2025 (spotlight)