摘要
评分函数（Scoring Function, SF）用于衡量知识图谱中三元组的合理性。不同的评分函数在不同知识图谱上的链接预测性能上可能产生显著差异。在本报告中，我们描述了一种通过在开放图谱基准测试（OGB）上进行随机搜索发现的异常评分函数，称为AutoWeird。该函数仅利用三元组中的尾实体（tail entity）和关系（relation）来计算其合理性得分。实验结果表明，AutoWeird在ogbl-wikikg2数据集上取得了顶级的Top-1性能，但在ogbl-biokg数据集上的表现却远逊于其他方法。通过对这两个数据集的尾实体分布特征及评估协议的分析，我们发现AutoWeird在ogbl-wikikg2上取得意外成功的原因在于评估机制存在不合理之处，以及尾实体分布高度集中。这一现象提示我们，有必要进一步研究如何更准确地评估不同链接预测方法在知识图谱上的实际性能。