摘要
知识图谱补全（KGC）旨在发现知识图谱（KGs）中实体之间缺失的关系。大多数先前的KGC研究主要集中在通过简单的评分函数学习实体和关系的嵌入表示。然而，为了提高推理能力，通常需要更高维度的嵌入空间，这会导致模型规模增大，从而阻碍其在实际问题中的应用（例如大规模知识图谱或移动/边缘计算）。本文提出了一种轻量级模块化的KGC解决方案，称为GreenKGC，以解决这一问题。GreenKGC由三个模块组成：表示学习、特征剪枝和决策学习，用于提取判别性的知识图谱特征，并利用分类器和负采样技术对缺失关系进行准确预测。实验结果表明，在低维情况下，GreenKGC在大多数数据集上能够超越现有最佳方法（SOTA）。此外，低维的GreenKGC能够在模型规模显著减小的情况下实现与高维模型相当甚至更好的性能。