摘要
我们介绍了KBGAN，这是一种对抗学习框架，旨在提升现有多种知识图谱嵌入模型的性能。由于知识图谱通常只包含正向事实，因此采样有用的负向训练样本是一项非 trivial 的任务。传统的生成负向事实的方法是将一个事实中的头实体或尾实体替换为均匀随机选择的实体，但大多数生成的负向事实很容易与正向事实区分开来，对训练的贡献较小。受生成对抗网络（GANs）的启发，我们将一种知识图谱嵌入模型用作负样本生成器，以辅助我们目标模型的训练，该目标模型在 GANs 中充当判别器的角色。此框架独立于生成器和判别器的具体形式，因此可以利用多种知识图谱嵌入模型作为其构建模块。在实验中，我们对抗性地训练了两个基于翻译的模型——TransE 和 TransD，每个模型分别由两个基于概率的模型之一——DistMult 和 ComplEx 提供辅助。我们在链接预测任务上评估了KBGAN的性能，使用了三个知识库补全数据集：FB15k-237、WN18 和 WN18RR。实验结果表明，在各种设置下，对抗训练显著提升了目标嵌入模型的性能。