利用成对共现信息提升大规模数据集上的知识图谱补全性能

双线性模型（如DistMult和ComplEx）在知识图谱（Knowledge Graph, KG）补全任务中表现出色。然而，这类模型通常需要较大的批量大小（batch size），在大规模数据集上训练时，受限于内存容量，这一需求往往成为性能瓶颈。本文提出一种基于数据集中实体-关系对出现频次的联合学习机制，用于提升训练过程中负样本采样的质量。实验结果表明，在三个标准数据集上，当上述两种技术相结合时，模型性能显著提升，尤其在批量大小及生成的负样本数量相对于数据集规模较小时，优势更为明显。此外，我们将该方法应用于包含200万实体的大规模数据集，结果表明，相较于基线模型，本模型在Hits@1指标上取得了2.8%的绝对性能提升。