WWWApr, 2021

高效非采样知识图谱嵌入

PDF
TL;DR通过提出 Efficient Non-Sampling Knowledge Graph Embedding（NS-KGE）框架，该研究将知识图谱嵌入模型中的负采样方法转变为全量消除，并使用数学推导减少了模型计算复杂度，既提高了效率也提高了准确性。实验结果表明，与传统方式相比，NS-KGE 框架在效率和准确度上均有所提高，并适用于多类知识图谱嵌入模型。
发现论文，激发创造
  • NSCaching: 为知识图谱嵌入提供简单高效的负采样

    本文提出了一种新的负采样方法，通过直接跟踪积极的负采样三元组，避免 GAN 带来的训练困难，实现了高效而有效的 Knowledge Graph embedding。

    Dec, 2018

  • 知识图表示学习中的负采样：综述

    知识图谱表示学习（KGRL）或知识图谱嵌入（KGE）在知识构建和信息探索的人工智能应用中起着至关重要的作用。这篇综述论文系统地回顾了各种负采样（NS）方法及其对 KGRL 成功的贡献，将现有的 NS 方法按照五个不同的类别进行了分类，并指出了各自的优缺点。此外，该综述还提出了一些开放性研究问题，为未来的研究提供了潜在方向。通过提供基础 NS 概念的概括和对齐，这篇综述为在 KGRL 环境下设计有效的 NS 方法提供了有价值的洞察，并为该领域的进一步发展提供了动力。

    Feb, 2024

  • KG-NSF: 无负样本的知识图谱补全方法

    通过交叉相关矩阵，提出一种克服负采样限制，能够快速学习知识图谱（KG）嵌入的负采样免费框架（KG-NSF），其具有与基于负采样的方法相当的链接预测性能，同时收敛更快。

    Jul, 2022

  • 保持积极：无需负采样的知识图谱嵌入

    该论文提出了一种训练过程，通过向损失函数添加新颖的正则化项，避免了使用负采样的需要，并且在两个关系嵌入模型（DistMult 和 SimplE）中得到了优异的性能和速度。

    Jan, 2022

  • MixKG: 知识图谱中更难的负样本混合

    本文提出了一种基于混合运算的负样本采样方法 MixKG，通过过滤出符合充分性和正确实体相似性两个标准的异常三元组，使用这些三元组生成更高质量的负采样，实验证明该方法优于其他采样算法。

    Feb, 2022

  • 知识图谱表示学习负采样的综合分析

    本研究通过理论分析负采样损失函数协助超参数调整，以及为知识图谱嵌入（KGE）学习特别设计的负采样子抽样方法，为解决 KGE 中负采样损失函数中的超参数过多导致性能下降的问题提供了可能。同时，研究还提出，针对不同的得分方法，需要适当调整边缘项或负样本数量。通过实验分析得出，本研究的理论发现与实际训练的模型结果相符。

    Jun, 2022

  • LEMON: 知识图谱嵌入负采样的语言模型

    本文提出了一种利用预训练语言模型来生成负样本的方法，该方法利用实体之间的距离通过它们的文本信息形成邻域集群，以得到符号实体的表示形式，有效地应用于基准知识图谱的链接预测任务。

    Mar, 2022

  • 强化知识图谱中的负采样用于推荐

    本研究通过建立一种基于知识图谱的负采样模型，使用增强学习算法在用户互动中导航生成高质量的负样本，设计和验证了适用于推荐系统的负样本生成策略，并在测试中获得了显著的性能改进。

    Mar, 2020

  • 知识图谱嵌入的实体感知负采样与误判辅助损失

    本文提出了一种名为 EANS（Entity Aware Negative Sampling）的新方法，采用高斯分布对齐的实体索引空间来抽样与正实体类似的负实体，同时引入辅助损失来缓解样本的负效应，结果表明本文的方法在几个知识图谱嵌入模型上优于现有的负采样最先进方法，且即使负样本数目受限制时，也能达到有竞争力的性能。

    Oct, 2022

  • 知识图谱嵌入的自适应去噪 Mixup 负采样

    通过提出一种名为 DeMix 的易于嵌入的去噪混合方法，将负样本三元组进行改进，使之成为高质量的三元组，从而保证了知识图谱嵌入模型的更快收敛和更好的链接预测结果。

    Oct, 2023