知识图谱-KGE-对抗模型-2018：KBGAN

KBGAN

paper: KBGAN: Adversarial Learning for Knowledge Graph Embeddings

论文

本文是清华大学的一名同学发表在 NAACL（虽然是 C，但是是北美的 ACL） 2018 上的一篇文章，提出了 KBGAN，首次使用生成对抗网的思想做 KGE，效果一般，但是想法很新颖。具体是用两个 KGE 模型，一个作为生成器，生成高质量的负样本，用于第二个模型的训练。

负采样的重要性（普通均匀随机采样的局限）

普通的负采样方法，对正样本三元组的头实体或尾实体从实体集中随机采样替换，生成的负样本是很明显的错误样本，很容易通过实体的类型区分开来，比较“高级”的负样本是尽量“替换同类型实体”的负样本三元组。

Trans 系列 KGE 模型的 loss 是 margin-based 的，训练时候正负样本是一对一的，不好的负采样方法会使它们性能差；而双线性模型（如 ComplEx 和 DistMult）训练时一个正样本对应多个负样本，负样本的好坏对其没有太大的影响。

生成对抗网

生成对抗网（Generative Adversarial Network, GAN）最初提出被用于图像领域。一个 GAN 包括两部分：生成器（generator）和判别器（discriminator），生成器接受噪声输入，尽量生成看起来 real 的图像来欺骗判别器，判别器的作用是对生成器给出的样本做分类，尽量