论文浅尝 - ACL2020 | 知识图谱补全方法的再评估

笔记整理 | 谭亦鸣，东南大学博士

来源：ACL 2020

链接：https://www.aclweb.org/anthology/2020.acl-main.489.pdf

源码：http://github.com/svjan5/kg-reeval

概述

图谱补全（KGC）的目标是自动的预测大规模知识图谱中缺失的link。在数据挖掘，机器学习和自然语言处理等领域的顶会上，一众state-of-the-art（SOTA）的KGC技术相继被提出。但是，作者注意到近期一些发表的基于神经网络的方法给出了远高于以往SOTA结果的方法，本文中作者研究发现产生这种情况的主要原因在于这些工作使用了不适当的评估方案：即仅在特定数据集上取得显著性能提升，而并没有充分验证其在不同数据集上的性能（如表1中，一些模型在FB15k-237，WN18RR等两个数据集上的MRR提升差异很大）。