.png){kind=icon}
返回
Improving continual knowledge graph embedding via informed initialization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2026.134045.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）将知识表示为实体及其关系的结构化图。知识图谱嵌入（KGEs）通过将实体和关系表示为连续向量，实现对KGs的学习和推理。许多KGs经常更新，要求其KGEs适应这些变化。KGEs的持续学习方法是解决这一问题的，通过在更新现有嵌入的同时纳入新嵌入，以考虑新事实而无需从头开始重新训练。这些方法的一个必要步骤是新嵌入的初始化，这既对最终嵌入的准确性有重要影响，也影响其训练所需的时间。当前的持续学习方法要么像非持续场景一样使用随机初始化，忽略了现有嵌入中的相关信息，要么依赖于模型依赖的初始化，这仅与特定的KGE训练模型兼容。我们提出了一种新颖的知情嵌入初始化策略，可以无缝集成到现有的KGE持续学习方法中。我们的方法利用KG模式以及先前学习的嵌入，在每个持续学习步骤中生成语义上知情的初始表示，增强知识获取同时减少最终嵌入中的灾难性遗忘。实验结果表明，我们的策略提高了最终KGEs的预测性能并增强了知识保留。此外，它加速了学习过程，减少了所需的训练轮次，从而减少了增量学习新嵌入所需的时间。最后，我们的评估表明，这些优势与所使用的KGE学习模型无关。
Keyword:
Knowledge graph embeddings
Continual learning
Knowledge graphs
