.png){kind=icon}
返回
IF-NS: A New negative sampling framework for knowledge graph embedding using influence function
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113258.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（KGs）在推荐和问答等任务中得到了广泛应用，并借助知识图谱嵌入（KGE）模型。这些模型在训练过程中引入负采样，但面临包括梯度消失和假阴性等挑战，这主要源于知识图谱中缺乏不正确的事实。尽管KGE模型中的评分函数有助于缓解梯度消失问题，但它们通常难以处理假阴性样本。受影响函数的启发，我们提出了一种适用于可译性距离KGE模型的新框架IF-NS，该框架利用影响来选择高质量的负样本。其核心思想是在训练过程中评估每个样本对KGE模型的贡献，从而有效保留高质量的负样本。为降低计算复杂度，我们还开发了一种针对KGE损失函数中L2范数距离的简化影响估计算法。此外，我们引入了一个用于存储和追踪高质量负样本的仓库，采用基于仓库的采样和动态更新策略以平衡探索与利用。实验结果表明，IF-NS有效缓解了梯度消失和假阴性问题，显著提升了KGE模型的性能。
Keyword:
Knowledge graph embedding
Negative sampling
Influence function
期刊
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏Op-Trans: An Optimization Framework for Negative Sampling and Triplet-Mapping Properties in Knowledge Graph EmbeddingOp-Trans: 一种用于知识图谱嵌入中负采样和三元组映射特性的优化框架
OAAI
OAAI分享收藏Swift and Sure: Hardness-aware Contrastive Learning for Low-dimensional Knowledge Graph EmbeddingsOAAI
OAAI分享收藏
查看更多内容