负抽样(NS)损失在学习知识图嵌入(KGE)中起着重要的作用,以处理大量实体。但是,适当地选择了KGE降低没有超参数的降解,例如NS损失中的余量和负样本的数量。目前,经验超参数调整以计算时间为代价解决了这个问题。为了解决这个问题,我们理论上分析了NS损失,以帮助高参数调整,并了解NS损失在KGE学习中的更好使用。我们的理论分析表明,具有限制值范围的评分方法,例如transe和旋转,需要适当调整边缘项或与没有限制值范围(例如恢复,复杂和散布)的负相同样本的数量。我们还提出了从理论方面研究的KGE中专门用于NS损失的亚采样方法。我们对FB15K-237,WN18RR和Yago3-10数据集的经验分析表明,实际训练的模型的结果与我们的理论发现一致。
translated by 谷歌翻译