Page 303 - 《软件学报》2025年第12期

5684 软件学报 2025 年第 36 卷第 12 期

′ ′ λ 1 近似的
遍提高, 部分数据中 λ 的 ACC 相对下降是由于 µ uni (G) 较高引起的标签不平衡, 但鉴于此时 λ 也拥有与
1 1
效果, 而 µ uni (G) 下降后对 |Score F < λ| ineq 的估计与修正显著降低了评估误差, 因此本文认为该优化是简单而有效的.

′ ERR 指标
表 4 基于阈值 λ 0 , λ 1 , λ 以及基线方法评估结果 ACC 和
1

FB15K-237 NELL-995 YAGO3-10
指标 阈值 模型
90% 80% 60% 90% 80% 60% 90% 80% 60%
ComplEx 0.730 0.674 0.618 0.727 0.686 0.551 － － －
SimplE 0.822 0.756 0.652 0.525 0.517 0.549 0.830 0.798 0.732
λ 0
DistMult 0.821 0.764 0.663 0.532 0.503 0.526 0.832 0.801 0.731
CAGED* 0.904 0.789 0.669 0.864 0.784 0.621 0.892 0.794 0.654
TransE 0.910 0.856 0.721 0.752 0.711 0.664 0.904 0.840 0.671
TransH 0.910 0.855 0.714 0.694 0.693 0.667 0.902 0.839 0.662
TransD 0.926 0.856 0.721 0.761 0.753 0.669 0.896 0.833 0.657
ComplEx 0.877 0.797 0.644 0.739 0.601 0.569 － － －
λ 1
SimplE 0.876 0.800 0.643 0.718 0.688 0.561 0.896 0.819 0.660
ACC
DistMult 0.877 0.803 0.645 0.719 0.670 0.560 0.881 0.820 0.655
RotatE 0.917 0.853 0.698 0.635 0.603 0.569 0.896 0.815 0.619
CKRL 0.906 0.861 0.728 0.738 0.738 0.655 － － －
TransE 0.883 0.840 0.746 0.686 0.687 0.676 0.892 0.845 0.708
λ ′ TransH 0.882 0.844 0.737 0.660 0.587 0.646 0.884 0.846 0.699
1
TransD 0.864 0.837 0.741 0.617 0.671 0.671 0.881 0.848 0.740
KGTtm 0.905 0.813 0.617 0.876 0.743 0.697 － － －
基线方法 Z-score (TransE) 0.915 0.859 0.680 0.862 0.787 0.614 0.873 0.828 0.622
GlobalOpt (TransE) 0.926 0.859 0.749 0.899 0.790 0.666 0.905 0.851 0.754
ComplEx 0.221 0.209 0.111 0.173 0.314 0.297 － － －
SimplE 0.101 0.075 0.053 0.434 0.389 0.254 0.124 0.094 0.001
λ 0
DistMult 0.102 0.056 0.079 0.422 0.401 0.277 0.117 0.095 0.007
CAGED* 0.005 0.029 0.264 0.005 0.113 0.332 0.009 0.196 0.340
TransE 0.006 0.077 0.240 0.149 0.100 0.120 0.003 0.078 0.228
TransH 0.006 0.080 0.240 0.224 0.122 0.091 0.002 0.075 0.282
TransD 0.096 0.056 0.228 0.155 0.027 0.153 0.003 0.085 0.288
ComplEx 0.003 0.071 0.244 0.141 0.192 0.003 － － －
λ 1
SimplE 0.006 0.083 0.246 0.174 0.042 0.016 0.006 0.085 0.251
ERR
DistMult 0.001 0.085 0.251 0.166 0.074 0.017 0.010 0.085 0.272
RotatE 0.017 0.087 0.236 0.271 0.190 0.039 0.005 0.086 0.290
CKRL 0.003 0.070 0.215 0.172 0.050 0.090 － － －
TransE 0.036 0.013 0.038 0.241 0.159 0.015 0.034 0.033 0.161
λ ′ TransH 0.036 0.030 0.178 0.272 0.230 0.080 0.052 0.042 0.210
1
TransD 0.060 0.003 0.139 0.218 0.180 0.028 0.057 0.044 0.121
KGTtm 0.094 0.172 0.383 0.089 0.241 0.038 － － －
基线方法 Z-score (TransE) 0.014 0.100 0.307 0.007 0.122 0.341 0.027 0.124 0.353
GlobalOpt (TransE) 0.059 0.100 0.079 0.100 0.195 0.131 0.089 0.020 0.041

3.4 不同嵌入模型与数据集对比
本节针对实验中的不同模型和数据进行进一步对比分析.
(1) 嵌入模型的对比与选择
首先, 嵌入模型之间进行对比时, 针对某一正确率分别取其对应的 3 个数据集上指标的平均值 (对于无数据的
′
情况, 以其他模型除去最高、最低值的平均值代替, 由于 λ 0 与 λ 均只针对一部分嵌入模型设置, 因此对比嵌入模
1
ROC-AUC 指标 (图 4(a))、平均基于 ACC 指标
型时以 λ 1 的性能为代表) 得到模型平均的 GlobalOpt 标定阈值的