.png){kind=icon}
返回
SimRMKGC: Simple relational contrastive learning on multilingual knowledge graph completion
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-025-06782-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识图谱补全（KGC）是预测不完整知识图谱（KG）中缺失的事实三元组的任务，这对增强知识图谱的全面性和实用性至关重要。近年来，基于相同实体和关系的多语言知识图谱被引入KGC，以缓解单个知识图谱的资源匮乏问题，而流行的多语言知识图谱补全（MKGC）方法表明，多语言知识图谱对齐（MKGA）和KGC可以相互促进。然而，现有方法未能充分解决MKGA中的关系对齐（RA）问题。尽管一些方法考虑了RA的重要性，但实体对齐（EA）和RA之间的训练不平衡问题可能损害MKGC。受高效对比学习的启发，我们提出了一种基于关系对齐的MKGC对比学习框架，命名为SimRMKGC，旨在同时提升MKGC和MKGA性能，并解决EA与RA之间的不平衡问题。具体而言，将RA视为MKGA的核心组件，采用监督对比学习优化方法，有效对齐精心设计的正关系对。此外，我们引入两种负样本类型：批次采样负样本和生成的区域混合硬负样本，以提升学习效果。在DBPedia-5L和E-PKG上的实验展示了最先进的结果：对于MKGC，SimRMKGC在DBPedia-5L上实现了3.5%∼7.0%的Hits@1和4.0% ∼7.1%的MRR提升，在E-PKG上实现了0.5%∼1.3%的Hits@1和0.5% ∼1.0%的MRR提升。
Keyword:
Knowledge Graph
Multilingual Knowledge Graph Completion
Entity Alignment
Relation Alignment
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
引用论文
DBpedia - A large-scale, multilingual knowledge base extracted from WikipediaDBpedia-从维基百科中提取的大规模多语言知识库.png)
SEMANTIC WEB
OAAI
SEMANTIC WEBIF2.9
OAAI分享收藏
查看更多内容