论文名称：NASE: Learning Knowledge Graph Embedding for Link Prediction via Neural Architecture Search 作者：Xiaoyu Kou, Bingfeng Luo, Huang Hu, Yan Zhang 发表时间：2020/8/18 论文链接：https://arxiv.org/pdf/2008.07723

推荐理由 本文来自北京大学张焱团队，该论文提出了更加通用的神经网络架构搜索模型，以学习知识图谱表示，并完成链路预测。 链接预测是预测知识图谱中实体之间缺少链接的任务。虽然针对链接预测任务提出了各种形式的模型，但是大多数模型是基于几个知名数据集中的一些已知关系模式设计的。由于现实世界中的知识图谱具有多样性和复杂性，因此很难设计出适合所有数据集的模型。为了解决此问题，以前的工作尝试使用自动机器学习（AutoML）来搜索给定数据集的最佳模型。但是，它们的搜索空间仅限于双线性模型族。在本文中，作者为链接预测任务提出了一种新颖的神经体系架构搜索框架。首先，表示搜索模块对输入三元组的嵌入进行优化。然后，在得分函数搜索模块中搜索预测得分。该框架应用于更通用的搜索空间，因此有可能获得更好的性能。作者将搜索空间放宽以使其连续，以便可以使用基于梯度的搜索策略有效地优化体系结构。与几种最先进的方法相比，在几个基准数据集上的实验结果证明了本文方法的有效性。

图 2：NASE 工作流程示意图
本文的主要贡献如下： 1. 本文提出了更加通用的神经网络架构搜索模型，以学习知识图谱表示，并完成链路预测。 2. 与几种最先进的方法相比，在几个基准链路预测数据集上的实验结果证明了本文方法的有效性。

内容中包含的图片若涉及版权问题，请及时与我们联系删除