融合实体邻域信息的知识图谱嵌入负采样方法

摘要：

知识图谱嵌入的主要任务是将实体与关系嵌入低维、连续的向量空间.在模型训练过程中,必须同时提供正负三元组.已有的负采样方法多使用均匀随机采样方法构造负样本,通过这种方式获得的负样本对于模型的训练贡献很小.基于生成对抗网络,生成器能够采样更多可信的负三元组,增强嵌入模型性能.然而,离散数据在使用遗传算法时存在梯度消失的问题.针对以上问题,提出一种融合实体邻域信息的知识图谱嵌入负采样方法.该方法基于生成对抗网络的框架,通过图卷积神经网络聚合实体在不同关系路径上的邻域信息,用以辅助生成器产生高质量的负样本,提高鉴别器的性能.同时,在鉴别器部分引入Wasserstein距离代替传统的散度,解决梯度消失问题,加速模型收敛.在链接预测任务和三元组分类任务上对所提方法的有效性进行验证,结果表明,该方法在链接预测任务中MR、MRR、Hits@10较基线模型分别平均提升4.18、9.19、10.18个百分点,在三元组分类任务中准确率平均提升4.50个百分点,充分证明实体邻域信息的融入能够进一步提升负样本质量,显著提升模型性能.

关键词：知识图谱嵌入、生成对抗网络、邻域信息、图卷积神经网络、Wasserstein距离

所属期刊栏目：49

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金;工业和信息化部通信软科学研究项目;陕西省重点研发计划项目;陕西省大学生创新创业训练计划项目;西安邮电大学研究生创新基金项目

在线出版日期：2023-03-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：95-104