知识图谱编辑竟挤掉正确答案！直接提升仅23%无损害，排序截断保持将位移答案从14个减到1.2个
When Successful Knowledge Graph Edits Displace Correct Answers: Rank-Level Locality beyond Parameter Support
📖 AI 总结
该研究指出，对知识图谱嵌入模型进行编辑以提升目标答案时，可能将原本正确的答案挤出返回列表，而仅基于复用被编辑参数的事实所做的局部性检验会遗漏这种排序层面的影响。作者提出一种覆盖三个范围的通用排序位移审计方法：被编辑参数支持的事实、目标查询的其他正确答案，以及同一关系下跨查询的正确答案。在FB15k-237数据集上使用DistMult和ComplEx的实验显示，直接提升目标答案虽总能使其进入前十，但仅约23%的编辑未造成损害；严格保持原分数虽无损害，成功率却仅1.3%至1.4%。支持正则化的实体编辑取得最高联合成功率36.3%至37.7%，排序截断保持法则将平均被挤出答案数从约14降至1.2。研究表明局部性同时取决于保护范围与编辑机制，知识图谱嵌入编辑应同时报告修正成功率与排序位移的发生率和严重程度。
🔑 关键词速览
| 知识图谱嵌入 (KGE) | 将知识图谱中的实体和关系映射到低维向量空间的技术，用于链接预测等任务。 |
| 局部性 (Locality) | 编辑操作仅影响目标事实而不损害其他相关事实的性质。 |
| 排序位移 (Rank Displacement) | 编辑后，原本正确的答案在返回列表中的排名下降或被挤出列表的现象。 |
| DistMult | 一种双线性知识图谱嵌入模型，通过三向点积计算三元组得分。 |
| ComplEx | 一种基于复数空间的知识图谱嵌入模型，能更好地建模非对称关系。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅