Feb, 2022

MixKG: 知识图谱中更难的负样本混合

PDF
TL;DR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。
knowledge graph embeddingnegative samplingmixkgentity representationtriplet
发现论文，激发创造
  • 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

  • 高效非采样知识图谱嵌入

    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。

    Apr, 2021

  • 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

  • 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

  • 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

  • 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

  • 探究硬负样本分布对对比知识图谱嵌入的影响

    本文探讨了知识图谱嵌入的关键问题，并提出了使用 Hardness and Structure-aware（HaSa）对抗性 KGE 算法与负样本分布来消除误分类三元组，从而在 WN18RR 和 FB15k-237 数据集上优于现有的 KGE 方法。

    May, 2023

  • 使用预训练多模态 Transformer 和双负采样完成知识图谱补全

    提出了一个基于 VisualBERT 的增强型知识图谱补全模型 (VBKGC)，其采用了双胞胎负采样策略，能够捕捉基于嵌入的多模态信息并将其集成到 KGC 模型中，具有优秀的链路预测任务表现。

    Sep, 2022

  • KBGAN：知识图谱嵌入的对抗学习

    KBGAN 是一种对抗学习框架，利用知识图谱嵌入模型作为负样本生成器，辅助训练目标模型，从而大幅提高链接预测任务的性能。

    Nov, 2017

  • 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