基于相似性负采样的知识图谱嵌入

摘要：

针对现有知识图谱嵌入模型通过从实体集中随机抽取一个实体来生成负例三元组,导致负例三元组质量较低,影响了实体与关系的特征学习能力.研究了影响负例三元组质量的相关因素,提出了基于实体相似性负采样的方法来生成高质量的负例三元组.在相似性负采样方法中,首先使用K-Means聚类算法将所有实体划分为多个组,然后从正例三元组中头实体所在的簇中选择一个实体替换头实体,并以类似的方法替换尾实体.通过将相似性负采样方法与TransE相结合得到TransE-SNS.研究结果表明:TransE-SNS在链路预测和三元组分类任务上取得了显著的进步.

关键词：知识图谱、表示学习、随机抽样、相似性负采样、K-Means聚类、随机梯度下降、链接预测、三元组分类

所属期刊栏目：15

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目;广西创新驱动重大专项项目;广西自然科学基金项目;广西高校中青年教师基础能力提升项目;广西研究生教育创新计划项目

在线出版日期：2020-08-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：218-226