摘要
基于张量分解的模型在知识图谱补全（Knowledge Graph Completion, KGC）任务中展现出强大的性能。然而，这类模型的性能通常严重受限于过拟合问题。为此，研究者提出了多种正则化方法，如Frobenius范数平方正则化和张量核范数正则化等，但这些方法的应用范围有限，显著制约了其实际使用价值。为应对这一挑战，本文提出一种新型正则化器——双性诱导正则化器（DUality-induced RegulArizer, DURA）。DURA不仅能够有效提升现有模型的性能，还具备广泛的适用性，可推广至多种不同方法。DURA的核心创新源于一个关键观察：对于一个现有的基于张量分解的KGC模型（即“原模型”），通常存在一个与其密切相关的基于距离度量的KGC模型（即“对偶模型”）。通过利用这种原-对偶结构的内在联系，DURA实现了性能的稳定且显著提升。实验结果表明，DURA在多个基准数据集上均取得了持续且显著的性能改进。