《动态知识图谱的更新嵌入》55页论文

知识图谱中的数据往往代表了现实世界的部分现状。因此，为了保持最新的状态，图数据需要经常更新。为了利用知识图谱中的信息，许多最先进的机器学习方法使用了嵌入技术。这些技术通常计算一个嵌入，即节点的向量表示，作为主要机器学习算法的输入。如果后来发生了图谱更新--特别是当节点被添加或删除时--训练就必须重新进行了。这是不可取的，因为它需要时间，也因为如果下游模型发生重大变化，用这些嵌入训练的模型必须重新训练。在本文中，我们研究了不需要完全重新训练的嵌入更新，并在涵盖多种用例的真实动态知识图谱上结合各种嵌入模型对其进行评估。我们研究了根据本地信息优化放置新出现的节点的方法，但注意到这并不奏效。然而，我们发现，如果我们继续训练旧的嵌入，并在其间穿插一些历时，只对新增和删除的部分进行优化，那么在链接预测中使用的典型指标方面，我们可以获得良好的结果。这种性能比完全重新训练要快得多，因此有可能为动态知识图谱保持嵌入。