绿色KGC：一种轻量级的知识图谱补全方法
摘要：知识图谱完成（KGC）旨在发现知识图谱中实体之间缺失的关系。大部分早期的KGC工作都集中在通过简单的评分函数学习实体和关系的嵌入表示上。然而，为了具有更好的推理能力，通常需要一个更高维度的嵌入空间，这导致模型规模更大，且难以应用于现实世界的问题（例如大规模知识图谱或移动/边缘计算）。本文提出了一种轻量级模块化KGC解决方案，称为GreenKGC，以解决这个问题。GreenKGC由三个模块组成：表示学习、特征修剪和决策学习，用于提取有区分度的知识图谱特征，并利用分类器和负采样对缺失的关系进行准确预测。实验结果表明，在低维度下，GreenKGC在大多数数据集中可以胜过SOTA方法。此外，低维的GreenKGC可以以更小的模型大小实现与高维模型相媲美甚至更好的性能。
作者：Yun-Cheng Wang, Xiou Ge, Bin Wang, C.-C. Jay Kuo
论文ID：2208.09137
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-07-13