10、知识图谱嵌入学习新策略与链接文档化：推荐与数据集成的探索

知识图谱嵌入学习新策略与链接文档化：推荐与数据集成的探索

知识图谱嵌入学习在推荐任务中的新策略

在推荐任务中，通常将其视为知识图谱单一目标关系上的链接预测任务，该目标关系代表用户与待推荐项目之间的链接。为实现这一目标，研究考虑了知识图谱嵌入模型，并使用三种训练策略评估其性能：
1. 基线策略 ：在整个图上训练模型。
2. 两种专业化策略 ：通过关注目标关系来优化预训练模型。这两种专业化策略在负采样方法上有所不同。

除了使用常见的 Hits@K 指标评估模型外，还引入了 Sem@K 这一面向语义的新指标，用于反映排名靠前的候选实体的语义有效性。研究发现，通过为目标关系随机采样负尾来优化预训练嵌入模型的专业化策略，与基线相比，能持续提高 Hits@K 和 Sem@K。

不同负采样策略的比较

文献常认为随机负采样（RNS）在通用链接预测任务中是一种无效的采样策略，但研究表明，当与专业化训练过程结合时，它可以在推荐框架中成功使用。具体来说：
- S - TCNS ：有时会以牺牲模型对目标关系语义轮廓的理解为代价来提高 Hits@K，存在一定的权衡。
- S - RNS ：似乎能同时追求两个目标，既提高知识图谱嵌入（KGE）模型为真实三元组分配高分的能力，又能更好地保留目标关系的语义轮廓。通过生成无意义和困难的负样本，S - RNS 相对于基线 B - RNS 有显著改进。这表明在推荐任务中，关注关系为目标关系的三元组（S - RNS）可能比同时关注并使用有信息的负采样方法（S