基于表示学习的知识图谱噪声检测研究.pdf

华中科技大学硕士学位论文

摘要

知识图谱作为人工智能发展的核心驱动力之一，被广泛应用于各种场景中。为避

免其构建过程中大量的人工标注，国内外学者提出了许多异构多源信息的自动提取

与融合技术，但无疑会引入噪声。传统的知识表示学习模型依托于知识图谱无噪假

设，具有一定的局限性。近几年，噪声问题逐渐引起了学者们的关注。经调研发现，

知识图谱噪声检测模型已经取得一些成绩，但仍存在噪声处理过程中对三元组间深

度交互信息利用不足、负采样过程缺乏对图结构信息的利用以及未能综合有效利用

噪声检测和知识图谱嵌入两种能力等问题，这将直接影响模型精度和应用。

由此，本文提出了融入对比学习的噪声知识图谱嵌入模型（NoisyKnowledge

GraphEmbeddingwithContrastiveLearning，NoiKGCL）。（1）针对三元组间深度交互

信息利用不足的问题，NoiKGCL从局部和全局两大角度出发，提出将三元组自身矛

盾程度、三元组邻域信息和实体间多跳路径信息三者深度融合的三元组置信度评估

方案。特别地，模型提出将知识图谱特征线图与对比学习相结合的方法，使得三元组

邻域信息得以进一步利用；通过对多跳路径与目标三元组间进行多方位的相关度建

模，达到辅助噪声评估的目的。（2）为提升负样本质量，本文特别关注到图社区信息，

提出基于图结构的负采样优化方案。（3）本文设计了模型训练增强方案，将置信度与

对比学习下的三元组表征相融合，使噪声检测和嵌入两种能力得以综合利用，并在迭

代中相互促进。

本文在WN18RR、NELL-995、FB15k三大公开数据集上进行NoiKGCL模型评估

实验。不同噪声比下，该模型的噪声检测Precision和Recall指标、实体链接预测MRR

和Hits@N指标均有不同程度的提升，证明其能更好地检测噪声，同时弥补部分噪声

模型嵌入能力较弱的缺陷。此外通过设计消融实验，进一步验证了融合置信度、负采

样优化、模型训练增强等处理对于模型的影响。最后以社会科学科研管理领域知识图

谱作为案例研究，验证了模型的应用价值。

关键词：知识表示学习；知识图谱噪声检测；对比学习；多跳路径；负采样

I

华中科技大学硕士学位论文

Abstract

Asoneofthecoredriversforthedevelopmentofaitificialintelligence,knowledge

graphsarewidelyusedinmultiplescenarios.Toavoidalargeamountofmanualannotation

intheconstructionprocessofknowledgegraph,domesticandinternationalscholarshave

proposedmanyautomaticextractionandfusiontechniquesofheterogeneousmulti-source

information,whichwillcarryorgeneratenoisedoubtlessly.Thetraditionalknowledge

representationlearningreliesonthenoiselessassumptionofknowledgegraph,whichhas

certainlimitations.Andrecently,ithasgraduallyattractedtheattentionofscholars.Itis

foundthattheknowledgegraphnoisedetectionmodelhasmadesomeachievements.

However,therearestillphenomena