研究人员推出了一种名为Matched Excess-Outranker Regularization (MEOR) 的新方法,用于解决持续知识图谱嵌入中的候选集干扰问题。该技术专门针对新实体可能导致历史答案失去排名(即使分数保持稳定)的问题。MEOR通过仅在新实体竞争超过结构匹配的旧参考时进行惩罚,从而保留了合法新实体的学习信号。实验表明,MEOR提高了历史当前宇宙平均倒数排名(MRR)并减少了候选集干扰,其性能优于重放和持久校准等现有方法。 AI
影响 这项研究可以提高动态环境中知识图谱嵌入的准确性和稳定性,影响依赖于实时信息检索的应用。
排序理由 该集群包含一篇详细介绍知识图谱嵌入新正则化方法的论文。
在 arXiv cs.IR (Information Retrieval) 阅读 →
- ENTITY-ComplEx
- FBInc-L
- FBInc-S
- Matched Excess-Outranker Regularization
- Matched Maximum Regularizer
- University of Oregon
- Unmatched Old Regularizer
- Hao Ren
AI 生成摘要 · Google Gemini · 来自 4 个来源。 我们如何撰写摘要 →