ADKGD：基于双通道训练的知识图谱异常检测

《ACM Transactions on Asian and Low-Resource Language Information Processing》：ADKGD: Anomaly Detection in Knowledge Graphs with Dual-Channel Training

知识图谱异常检测算法ADKGD通过双通道学习和跨层信息聚合提升检测效果，引入KL散度损失优化评分函数，在WN18RR、FB15K、NELL-995数据集上验证优于现有方法。

　　

摘要

在当前大型语言模型（LLMs）的开发过程中，确保基础数据源的准确性和可靠性至关重要。LLMs 对各种应用都具有重要意义，但由于训练数据中的知识空白，它们常常会出现幻觉和不准确的情况。知识图谱（KGs）作为一种强大的结构化工具，可以作为缓解上述问题的关键外部信息来源。通过提供对现实世界数据的结构化和全面理解，KGs 提高了 LLMs 的性能和可靠性。然而，在从非结构化数据中提取三元组以构建 KGs 时，KGs 中通常存在错误，这可能导致问答系统和推荐系统等下游任务的性能下降。因此，对 KGs 中的异常进行检测以识别和纠正这些错误是必不可少的。本文提出了一种基于双通道学习（ADKGD）的知识图谱异常检测算法。ADKGD 利用双通道学习方法，从实体视图和三元组视图两个角度增强表示学习。此外，我们的框架采用了跨层方法，整合了内部信息聚合和上下文信息聚合。我们引入了 Kullback-Leibler（KL）损失组件，以提高双通道之间评分函数的准确性。为了评估 ADKGD 的性能，我们在三个真实世界的知识图谱（WN18RR、FB15K 和 NELL-995）上进行了实证研究。实验结果表明，ADKGD 的性能优于现有的异常检测算法。源代码和数据集可在 https://github.com/csjywu1/ADKGD 公开获取。