Il campionamento negativo adattivo migliora i modelli fondazionali di knowledge graph
Un nuovo metodo chiamato KMAS (Knowledge graph Model Adaptive negative Sampling) migliora i modelli fondazionali di knowledge graph (KGFM) generando triple negative di qualità superiore durante l'addestramento. I knowledge graph (KG) sono cruciali per compiti come il question answering e i sistemi di raccomandazione, ma spesso soffrono di incompletezza. I KGFM mirano a eseguire il completamento zero-shot su KG non visti con diversi vocabolari di relazioni. I KGFM esistenti utilizzano tipicamente triple negative casuali, che forniscono una supervisione debole. KMAS costruisce triple negative difficili utilizzando embedding di relazioni aggiornati dall'encoder di relazioni del KGFM, offrendo un miglioramento semplice ma efficace. L'articolo è disponibile su arXiv con riferimento 2605.27023.
Fatti principali
- KMAS è un approccio di campionamento negativo adattivo per KGFM.
- I knowledge graph sono spesso incompleti.
- I KGFM eseguono il completamento zero-shot su KG non visti.
- Le triple negative casuali forniscono una supervisione debole.
- KMAS utilizza embedding di relazioni aggiornati per costruire negativi difficili.
- Il metodo è semplice ma efficace.
- L'articolo è su arXiv: 2605.27023.
- I KG supportano il question answering e i sistemi di raccomandazione.
Entità
Istituzioni
- arXiv