综述 | 知识图谱（Knowledge graph）链路预测（Link Prediction）

Posted 2021-05-24 人工智能博士

点上方人工智能算法与Python大数据获取更多干货

在右上方 ··· 设为星标 ★，第一时间获取资源

仅做学术分享，如有侵权，联系删除

转载于 ：机器之心

Knowledge Graph Embedding for Link Prediction: A Comparative Analysis

• 作者：Andrea Rossi、Donatella Firmani、Antonio Matinata、Paolo Merialdo、Denilson Barbosa

• 论文链接：https://arxiv.org/pdf/2002.00819.pdf

摘要：知识图谱（Knowledge graph, KGs）在工业和学术领域有很多应用，这反过来又推动了从各种来源大规模提取信息的研究工作。尽管付出了诸多努力，但不得不承认最先进的知识图谱也是不完整的。链路预测（Link Prediction, LP）是一种根据知识图谱中的已存在实体去预测缺失事实的任务，它是一种有前途、广泛研究且旨在解决知识图谱不完整性的任务。

在最近，基于知识图谱嵌入的链路预测技术在一些基准测试中实现了良好的性能。尽管这方面的研究文献在快速增加，但对这些方法中不同设计选择的影响却没有投以充分的注意。此外，这一领域的标准做法是测试大量的事实来报告准确性，其中一些实体被过度表示；这使得链路预测方法只修改包含这些实体的结构属性来展示良好的性能，而忽略知识图谱的主要部分。

因此，在这篇综述论文中，来自罗马第三大学和阿尔伯塔大学的研究者对基于嵌入的链路预测方法进行全面比较，将分析维度扩展到常见的文献范围之外。他们通过实验比较了 16 种当前 SOTA 方法的有效性和效率，考虑到了一个基于规则的基准，并提供了文献中最流行基准的详细分析。

本研究中链路预测模型的分类。

本研究对比分析中模型的损失函数、约束和空间复杂度。

本研究对比分析中采用的 5 个链路预测数据集以及它们的常规属性。

每个链路预测模型在 5 个数据集上的训练时长。

推荐：这篇长达 43 页的综述论文首次对基于知识图谱嵌入的链路预测模型进行了全面的对比分析，囊括 16 个方法和架构各异的链路预测模型，并在 5 个最流行的数据集上验证了它们的有效性和效率。

---------♥---------

声明：本内容来源网络，版权属于原作者

图片来源网络，不代表本公众号立场。如有侵权，联系删除

AI博士私人微信，还有少量空位

如何画出漂亮的深度学习模型图？

如何画出漂亮的神经网络图？

一文读懂深度学习中的各种卷积

点个在看支持一下吧