22、基于知识图谱嵌入的集成事实分类

基于知识图谱嵌入的集成事实分类

1. 引言

在知识图谱嵌入（KGE）领域，当前的评估范式主要基于排名而非分类。这导致了一些问题，例如在使用KGE进行分类时，由于嵌入可能不够训练充分而存在噪声，并且缺乏大量的真实标注数据来训练有效的监督分类器。本文提出了一种基于集成学习的方法，旨在解决这些问题，实现更有效的事实分类。

2. 链接预测性能

2.1 基线方法

为了评估所提出方法的性能，考虑了三个外部基线和几种替代方法，与其他10种方法进行比较：
- RankClassify ：由[35]提出，是唯一使用嵌入进行二元预测的方法。该技术将前k个位置的答案标记为正确，其中k在验证数据集上预先进行了微调。
- DeepPath ：由[43]提出的最先进方法，不使用嵌入，而是使用强化学习在知识图谱上学习推理路径。将其配置为在FB15k237上进行事实预测，并将排名前k的事实标记为正确。
- AnyBURL的强化学习版本 ：从下而上学习规则进行链接预测。使用在线文档中提到的默认参数执行，并训练1000秒。在DBpedia50上，仅报告RankClassify的性能，因为它是F1得分最高的外部基线。

此外，还单独应用了五个分类器，并将提出的弱监督方法（DuEL (M)和DuEL (S)）与两个无监督和一个有监督的替代方法进行比较。无监督方法是少数投票和多数投票，有监督方法是一个随机森林，它使用分类器的分数作为输入特征，验证数据集作为训练标签。

2.2 实验结果

通过实