29、知识图谱链接预测与数据聚类的前沿方法探索

知识图谱链接预测与数据聚类的前沿方法探索

知识图谱链接预测中的BDRAN模型

在知识图谱的链接预测任务中，有多种方法被提出和应用。Kinship是一个小规模数据集，描述了澳大利亚中部阿利亚瓦拉部落的个人关系。为了评估新方法的性能，通常会与一些基线方法进行对比。

基线方法

• TransE ：这是一种典型的平移距离模型，对三元组 (h, r, t) 施加平移距离约束。
• DistMult ：是RESCAL的简化版本，通过将关系矩阵约束为对角矩阵来减少参数。
• ComplEx ：作为语义匹配模型，将实体和关系投影到复空间而非实空间。
• ConvE ：基于卷积的知识图谱嵌入模型，利用二维卷积从实体和关系的嵌入向量中捕获特征。
• ConvKB ：也是一种卷积模型，与ConvE相比，开发了不同的得分函数和损失函数。
• R - GCN ：利用图卷积网络对邻域实体的特征进行编码。
• KBAT ：是一种先进的方法，应用图注意力机制从多跳邻域实体中捕获特征。

评估指标

链接预测任务的评估指标常用平均倒数排名（MRR）和Hits@N，公式如下：
[
MRR = \frac{1}{2\times|T_t|} \sum_{