摘要
评分函数（SFs），用于衡量知识图谱（KG）中三元组的合理性，已成为知识图谱嵌入的核心。近年来，人类设计了多种评分函数，旨在捕捉知识图谱中的不同关系类型。然而，由于关系可能表现出复杂的模式，在训练前难以推断，因此没有一种评分函数能够在现有的基准数据集上始终优于其他方法。在本文中，受到近期自动化机器学习（AutoML）成功应用的启发，我们提出利用AutoML技术自动为不同的知识图谱设计评分函数（AutoSF）。然而，在此过程中探索特定领域的信息以提高AutoSF的效率和效果并非易事。我们首先确定了一种统一表示方法，涵盖了广泛使用的评分函数，这有助于为AutoSF建立搜索空间。接着，我们提出了一种贪心算法，以高效地在该搜索空间中进行搜索。通过引入过滤器和预测器进一步加速了该算法，这些工具可以避免重复训练具有相同表达能力的评分函数，并在模型训练前帮助筛选掉不良候选方案。最后，我们在基准数据集上进行了广泛的实验。链接预测和三元组分类的结果表明，通过AutoSF搜索到的评分函数依赖于具体的知识图谱，是文献中未曾出现的新方法，并且优于由人类设计的现有最先进评分函数。