论文浅尝 | PASSLEAF：基于样本池的不确定性知识图谱嵌入半监督学习框架

开放知识图谱

于 2022-10-07 19:30:16 发布

阅读量1.2k

点赞数

文章标签： python 机器学习人工智能深度学习算法

本文链接：https://blog.csdn.net/TgqDT3gGaMdkHasLZv/article/details/127201423

版权

论文介绍了PASSLEAF，一个处理不确定性知识图谱（UKG）的半监督学习框架，它改进了现有UKG嵌入方法，通过预测置信度和生成带有置信度的负样本，提高了模型性能。PASSLEAF包含一个样本池，用于收集不同时间步的学习知识，避免假负样本的影响，提升学习效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

笔记整理：陈一林，东南大学硕士，研究方向为不确定性知识图谱规则与推理。

论文引用：Citation: Chen, Z.M., Yeh, M.Y. and Kuo, T.W., 2021, May. PASSLEAF: A Pool-bAsed Semi-Supervised LEArning Framework for Uncertain Knowledge Graph Embedding. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 35, No. 5, pp. 4019-4026).

动机

不确定性知识图谱（uncertain knowledge graph, UKG）含有知识的置信度信息，然而现有的大部分知识图谱嵌入（embedding）方式都忽视了这种置信度信息。UKGE是第一个针对UKG设计的嵌入方法，它的主要思想是将三元组的得分映射为置信度，并将其与真实置信度比较作损失。但是UKGE遵循封闭世界假设，将未出现的三元组均视为负样本；基于DisMult的嵌入方式，让其无法扩展到别的嵌入方式，使用概率软逻辑来构造新的训练样本的方式需要领域知识和较大的人工成本。PASSLEAF针对UKGE存在的这些问题设计了优化方式，以改善表现。PASSLEAF由两部分组成，置信度预测模型和包含自动生成含有置信度

最低0.47元/天解锁文章