论文浅尝 | 基于对比置信度自适应的知识图谱错误检测（AAAI2024）

主要观点总结

本文提出一种新的知识图谱（KG）错误检测模型，旨在从文本和图形结构信息中检测噪声模式。模型包括特征提取、文本编码器、结构编码器、重构分类器、交互式对比学习和知识融合等多个部分。实验表明，该模型在FB15K-237和WN18RR数据集上优于基线模型，特别是在语义相似噪声和对抗性噪声上表现良好。

关键观点总结

关键观点1: 主要贡献

提出了一种端到端的KG错误检测模型，通过重构三元组充分利用了文本信息和结构信息，并减轻了噪声的干扰。设计了交互式对比学习，以对齐文本和结构信息的潜在表示。构建了两种噪声，语义相似噪声和对抗噪声，以评估模型在更现实的场景中的性能。

关键观点2: 方法

文中提出了一种新的KG误差检测模型CCA，利用三元组的重建从文本和图形结构的角度来理解噪声模式。特征提取包括文本编码器和结构编码器。重构分类器使用文本编码器和结构编码器分别重构三元组中的头实体和尾实体。交互式对比学习使用文本编码器和结构编码器的输出作为对比学习的输入。知识融合将重构和对比学习的输出结合起来生成伪标签，作为三元组置信度。

关键观点3: 实验结果

CCA在FB15K-237和WN18RR数据集上的性能优于基线模型。得益于PLM，文本模型在两个数据集上的表现优于结构模型。CCA与KG-BERT在WN18RR上的性能差距小于FB15K-237，因为WN18RR更稀疏。消融实验表明，文本重构对CCA的贡献最大。

免责声明