收稿日期:2022-09-23摇摇摇摇摇摇修回日期:2023-02-03基金项目:辽宁省教育科学研究项目(LJ2020016);渤海大学国家安全研究院项目(XK202134-39)作者简介:奚超亮(1996-),男,硕士研究生,CCF会员(L4853G),研究方向为知识图谱嵌入、不平衡学习、深度学习;通信作者:冷泳林(1978-),女,博士,副教授,研究方向为知识图谱的存储与索引技术、不完整数据填充。混合负采样的知识图谱嵌入奚超亮,冷泳林(渤海大学信息科学与技术学院,辽宁锦州121000)摘摇要:知识图谱嵌入表示模型将实体与关系转化为低维的向量表示,来表达实体与关系之间的关联语义,是解决知识图谱补全问题的重要方法。传统模型采用随机负采样来构造负例三元组,容易产生低质量负样本,影响表示模型的特征学习能力。基于相似性的负采样方法,对实体点进行聚类,提高了负采样的质量。但针对知识图谱中的稀疏点,因无法控制聚类点数量,导致模型性能降低。经过对相似性负采样和样本点稀疏问题的研究,采用基于密度的聚类算法DBSCAN(Density-BasedSpatialClusteringofApplicationswithNoise)对聚类中的样本进行头尾实体的替换,并对DBSCAN中的领域聚类半径采取了自适应优化,找到合适的聚类中心,降低离群点的数量。同时对于聚类外的离群点进行过采样,构造离群点的相似点,解决稀疏点负采样的问题。最后,将该负采样方法与TransE结合,得到了混合负采样模型TransE-DNS。研究结果表明:TransE-DNS在链路预测和三元组分类任务上取得了更好的效果。关键词:翻译模型;知识图谱;三元组分类;链路预测;DBSCANclustering;负采样中图分类号:TP391摇摇摇摇摇摇摇文献标识码:A摇摇摇摇摇摇文章编号:1673-629X(2023)09-0168-07doi:10.3969/j.issn.1673-629X.2023.09.025KnowledgeGraphEmbeddingwithMixedNegativeSamplingXIChao-liang,LENGYong-lin(SchoolofInformationScienceandTechnology,BohaiUniversity,Jinzhou121000,China)Abstract:Theembeddingmodelofknowledgegraphtransformsentitiesandrelationshipsintolowdimensionalvectorrepresentationtoexpresstheassociationsemanticsbetweenentitiesandrelationships,whichisanimportantmethodtosolvetheproblemofknowledgegraphcompletion.Thetraditionalembeddingmodeladoptsrandomsamplingtoconstructnegativetriples,whichiseasytoproducelow-qualitynegativesamples,affectingthefeaturelearningabilityofrepresentationmodels.Theclustering-basednegativesamplingscluster...
