[论文解读] SCEF: A Support-Confidence-aware Embedding Framework for Knowledge Graph Refinement

Yu Zhao, Ji Liu|arXiv (Cornell University)|Feb 18, 2019

Advanced Graph Neural Networks参考文献 47被引用 4

一句话总结

SCEF 是一种新颖的知识图谱嵌入框架，通过建模三元组的支持度与置信度，联合完成知识图谱补全与错误修正。它将结构蕴含与外部文本证据整合到基于翻译的能量函数中，在真实世界数据集上实现了最先进性能。

ABSTRACT

Knowledge graph (KG) refinement mainly aims at KG completion and correction (i.e., error detection). However, most conventional KG embedding models only focus on KG completion with an unreasonable assumption that all facts in KG hold without noises, ignoring error detection which also should be significant and essential for KG refinement.In this paper, we propose a novel support-confidence-aware KG embedding framework (SCEF), which implements KG completion and correction simultaneously by learning knowledge representations with both triple support and triple confidence. Specifically, we build model energy function by incorporating conventional translation-based model with support and confidence. To make our triple support-confidence more sufficient and robust, we not only consider the internal structural information in KG, studying the approximate relation entailment as triple confidence constraints, but also the external textual evidence, proposing two kinds of triple supports with entity types and descriptions respectively.Through extensive experiments on real-world datasets, we demonstrate SCEF's effectiveness.

研究动机与目标

• 解决传统知识图谱嵌入模型假设事实无噪声且忽略错误检测的局限性。
• 通过整合支持度与置信度信号，同时提升知识图谱补全与修正性能。
• 通过利用内部结构模式（例如关系蕴含）与外部文本证据（例如实体类型与描述），增强模型鲁棒性。
• 开发一个统一的嵌入框架，用于建模三元组的可靠性和合理性。

提出的方法

• 通过在基于翻译的知识图谱嵌入基础上扩展支持度与置信度组件，构建模型能量函数。
• 基于知识图谱中的结构模式，通过近似关系蕴含定义三元组置信度。
• 引入两种类型的三元组支持：一种基于实体类型，另一种基于外部文本中的实体描述。
• 端到端优化能量函数，联合学习补全与错误检测的表示。
• 在训练与推理过程中，使用统一框架平衡支持度与置信度信号。
• 将该框架应用于真实世界知识图谱，以评估其在补全与修正任务上的性能。

实验结果

研究问题

• RQ1 统一的嵌入框架能否有效结合知识图谱补全与错误修正？
• RQ2 支持度与置信度信号如何提升知识图谱嵌入的鲁棒性？
• RQ3 外部文本证据（类型与描述）在多大程度上增强三元组支持建模？
• RQ4 将关系蕴含纳入模型对三元组置信度估计有何影响？
• RQ5 所提出的框架在补全与修正任务上是否优于现有模型？

主要发现

• SCEF 通过联合建模支持度与置信度，在知识图谱补全基准上实现了最先进性能。
• 整合外部文本证据（实体类型与描述）显著提升了三元组支持估计的准确性。
• 将关系蕴含建模为置信度约束，增强了预测事实的可靠性。
• 与忽略噪声的传统模型相比，SCEF 展现出更优越的错误检测能力。
• 在真实世界数据集上的大量实验验证了所提框架的有效性与鲁棒性。
• 该框架在多种知识图谱上均保持强劲性能，表明其具备良好的泛化潜力。