摘要
知识库（Knowledge Bases, KBs）具有查询便捷、可验证性和可解释性等优势，但其扩展性受限于人工投入和高质量数据的获取。相比之下，掩码语言模型（Masked Language Models, MLMs），如BERT，能够通过计算资源和非结构化原始文本数据实现高效扩展，然而模型所蕴含的知识却难以直接解释。为此，我们提出利用 MLM 进行链接预测，以同时解决知识库的可扩展性问题以及 MLM 模型的可解释性难题。为此，我们引入了 MLMLM（Mean Likelihood Masked Language Model）方法，该方法通过比较生成不同实体的平均似然概率，以一种高效且可计算的方式实现链接预测。在 WN18RR 数据集上，我们的方法取得了当前最优（State of the Art, SotA）性能；在 FB15k-237 数据集上，亦获得了非基于实体嵌入（non-entity-embedding-based）方法中的最佳结果。此外，MLMLM 在面对未见实体的链接预测任务中也表现出令人信服的性能，表明该方法能够有效支持新实体的引入，因而是一种适用于向知识库中动态添加新实体的可行方案。