融合实体邻域信息的知识图谱嵌入负采样方法

知识地图嵌入的主要任务是将实体和关系嵌入到低维、连续的向量空间中。在模型训练过程中，必须同时提供正三元组和负三元组。现有的负抽样方法大多采用均匀随机抽样的方法来构造负样本。用这种方法获得的负样本对模型的训练几乎没有贡献。受对抗网络生成的启发，生成器可以对更多可信的负三元组进行采样，提高嵌入式模型的性能。然而，当对离散数据使用遗传算法时，梯度消失了。针对上述问题，提出了一种融合实体邻域信息的知识地图嵌入负采样方法。该方法基于生成对抗网络的框架，通过图卷积聚合不同关系路径上实体的邻域信息，用于辅助生成器生成高质量的负样本，以提高鉴别器的效率，性能．引入了Wasserstein距离来代替传统的散度来解决梯度消失问题，加快了模型的收敛速度。为了验证该方法的有效性，在链接预测和三分类任务中对对所方法进行了评估。结果表明，该方法在链路预测任务中获得的MR、MRR和hits＠10%优于其他基线模型。MR、MRR和hits的平均改善率10%分别为4.18%、9.19%和10.18%，充分证明了实体邻域信息的整合可以进一步提高阴性样本的质量，显著提高模型的性能。