Page 235 - 《软件学报》2025年第12期

5616 软件学报 2025 年第 36 卷第 12 期

管 TorusE 可以被视为 RotatE 的一个特例, 它将知识图谱嵌入定义为紧致的平移, 但 TorusE 中嵌入的模是固定的,
而 RotatE 中嵌入的模是在整个复空间上定义的, 这对于建模和推断合成模式非常关键. 因此, RotatE 比 TorusE 具
有更好的表现能力, 这可能有助于解释为什么 RotatE 在 WN18 和 FB5K 上比 TorusE 性能更好. 4) TransGate 在 4
个数据集上都获得了好的结果, 尤其是在 FB5K 和 FB5K-237 上. 结果表明共享判别参数的适当性和门结构的强
大能力. TransGates 遵循参数共享策略, 在复杂性和表现力之间取得了更好的权衡. 借助门结构的共享判别机制,
TransGate 可以同时优化嵌入和减少参数. 然而, TransGate 在 WN18RR 上的性能较差, 因为 WN18RR 去除了反向
关系并破坏了 WordNet 的固有结构, 这导致关系之间的相关性较低, 并进一步降低了参数共享的影响.

表 22 Trans 距离的 MKGC 模型实验比较

WN18 FB15K WN18RR FB15K-237
模型名称
MR MRR Hits@10 MR MRR Hits@10 MR MRR Hits@10 MR MRR Hits@10
TransE 251 － 0.892 125 － 0.471 2 300 0.243 0.53 323 0.279 0.441
TransH 303 － 0.867 87 － 0.644 － － － － － －
TransR 225 － 0.920 77 － 0.687 － － － － － －
TransD 212 － 0.922 91 － 0.773 － － － － － －
lppTransD 270 － 0.943 78 － 0.787 － － － － － －
TransF 198 0.856 0.953 62 0.564 0.823 3 246 0.505 0.49 210 0.286 0.472
STransE 206 0.657 0.934 69 0.543 0.797 － － － － － －
Trans-FT 342 － 0.953 49 － 0.735 － － － － － －
TransM 281 － 0.854 94 － 0.551 － － － － － －
ITransF 223 － 0.952 77 － 0.814 － － － － － －
TransAt 157 － 0.950 82 － 0.782 － － － － － －
TransRS 357 － 0.945 77 － 0.750 － － － － － －
TransA 392 － 0.943 74 － 0.804 － － － － － －
TorusE － 0.947 0.954 － 0.733 0.832 － － － － － －
RotatE 309 0.949 0.959 40 0.797 0.884 3 340 0.476 0.57 177 0.388 0.533
TransGate － － － 33 0.832 0.914 3 420 0.409 0.51 177 0.404 0.581

● 辅助信息的 MKGC 模型实验分析
在数据集 NELL995、FB5K-237、Kinship 和 Countries 进行了实验, 结果如表 23 所示.
从表 23 可知, 与其他方法相比, PRANN 可以更准确地预测大型数据集上的缺失链接. 当与非路径模型进行
比较时, PRNN 在所有评估指标上, 特别是 MRR 和 Hits@k, 具有明显的优势. 在具有大量关系的知识图上, 如 FB15K-
237, 与其他模型相比, PRNN 表现更好. 相反, MINERVA 在关系数较少的知识图 (如 Countries) 上表现略好. 另外,
在小型数据集, 如 Kinship 和 Countries 上, PRNN 在 Kinship 上取得了较好的结果, 与其他数据集相比, 该数据集是
为了评估具有更可预测路径的逻辑规则学习系统的推理能力. 然而, 在 Countries 上, 与 MINERVA 相比, PRNN 表
现略差, 可能是因为 Countries 数据集中的训练三元组数量太少, 无法有效训练模型.

表 23 基于辅助信息的 MKGC 模型结果对比

NELL995 FB15K-237 Kinship Countries
模型名称
MRR Hits@1 Hits@3 MRR Hits@1 Hits@3 MRR Hits@1 Hits@3 MRR Hits@1 Hits@3
PRA 0.696 0.637 0.747 0.412 0.323 0.33 0.799 0.699 0.90 0.739 0.577 0.901
MINERVA 0.879 0.814 0.932 0.615 0.491 0.66 0.824 0.711 0.94 0.960 0.925 0.996
PRANN 0.898 0.838 0.952 0.660 0.545 0.71 0.953 0.918 0.98 0.947 0.916 0.986
Single-Model 0.859 0.788 0.914 0.575 0.513 0.57 0.804 0, 814 0.88 0.941 0.918 0.956

● 大模型的 MKGC 模型实验分析
在数据集 NAGO3-10、WN18RR 和 YAGO3-10-100 上进行了实体预测实验, 结果如表 24 所示.