《表3 WN18和FB15K数据集上链接预测计算结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《TransRD：一种不对等特征的知识图谱嵌入表示模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在WN18和FB15K上的实验结果如表3所示，实验的最优值进行加粗以突出显示。从表3我们可以得出以下结论：（1）在WN18上，TransRD模型相比于其他模型达到最好的性能，Mean Rank指标和Hits@10指标的效果远优于其他模型（包括TransR、STransE和ITransF），说明我们将头尾实体分开投影和建模关系的内在相关性相结合是成功的；（2）在FB15K上，TransRD模型性能与STransE的结果接近，但在Hits@10指标上低于ITransF。这可能是由于TransRD在对关系按语义进行分组时所使用的初始化向量是从TransE模型得到的向量，而数据集FB15K上关系类型有1 365种，某些关系类型的三元组数量过少，不能有效识别相似关系，难以确定合适关系分组数量；（3）在WN18和FB15K上，与TransR相比，TransRD模型将Mean Rank值最多降低了31，而hit@10的准确率至少提高了3.3%，该结果证明TransRD建模时考虑知识图谱的不对等特征能减少其在链接预测中的负面影响。同时，与STransE比较，TransRD同样取得一定的进步，这表明建模关系的内在相关性方法的有效性；（4）与等概率采样相比，伯努利采样可以减少错误三元组的产生。