.png){kind=icon}
返回
A lightweight embedding method for knowledge graph quality evaluation
.png){kind=icon}
OA
AI
DOI：10.1016/j.knosys.2025.114013.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识图谱（KG）质量评估旨在评估知识图谱中三元组的质量。现有的知识图谱质量评估方法通常依赖高维嵌入来提升模型的评估性能。然而，这种依赖不仅增加了模型规模，还引入了特征冗余，限制了其在实际应用中的适用性。为解决这一挑战，本研究提出了一种用于知识图谱质量评估的轻量级嵌入方法（LEKGQE）。该方法对三元组的每个维度执行核主成分分析，将多元数据映射为一元数据，从而有效提取数据的主要特征。此外，我们量化了每个维度对目标变量的贡献。使用交叉熵识别知识图谱质量评估中最具判别性的特征，显著降低了模型的嵌入维度，并在低维嵌入下提升了知识图谱质量评估性能。大量实验证明了LEKGQE模型的有效性。在嵌入维度为32的情况下，LEKGQE在FB15K数据集上的F1分数提升了14%，在WN18数据集上的F1分数提升了12%，显著改善了模型在低维嵌入场景下的性能。
Keyword:
Quality evaluation
Low-dimensional embedding
Knowledge graph
Feature reduction
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
.png){kind=icon}
Explainable recommendation based on knowledge graph and multi-objective optimization基于知识图谱和多目标优化的可解释推荐
OAAI
OAAI分享收藏
查看更多内容