.png){kind=icon}
返回
An enhanced framework for knowledge graph embedding based on negative sample analogical reasoning
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-98550-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识图谱嵌入（KGE）是知识图谱中链接预测的有效方法，已有众多模型展示了显著的成功。然而，许多现有的KGE模型难以有效表示复杂关系，并且常面临大量缺失三元组带来的挑战。尽管通过类比推理增强KGE模型提供了潜在解决方案，但当前方法通常依赖于与目标相似的正面样本进行类比嵌入学习。在实际应用中，数据不平衡和不完整性阻碍了足够正面例子的识别，导致类比推理性能欠佳。为此，我们提出了一种基于负类比推理的新型增强框架Ne_AnKGE。首先，Ne_AnKGE采用负样本类比推理缓解了类比推理中相似正面样本的稀缺问题，同时增强了基础模型的链接预测能力。此外，为提升模型对复杂关系的表示能力并克服依赖单一KGE模型的局限性，Ne_AnKGE框架整合了经负样本类比推理增强的TransE和RotatE的输出。在FB15K-237和WN18RR数据集上的广泛实验证明了Ne_AnKGE的竞争性性能。
Keyword:
Knowledge graph embedding
Link prediction
Negative sample analogical inference
Enhanced framework