知识图谱质量评估的轻量级嵌入方法：基于核主成分分析与交叉熵特征选择的创新研究

为解决知识图谱(KG)质量评估中高维嵌入导致的特征冗余和计算效率低下问题，研究人员提出了一种轻量级嵌入方法LEKGQE。该方法通过核主成分分析(KPCA)实现多变量到单变量的特征映射，结合交叉熵筛选最具判别力的特征维度。实验表明，在32维嵌入下，FB15K和WN18数据集的F1值分别提升14%和12%，显著提高了低维场景下的评估性能。该研究为资源受限环境下的KG质量评估提供了高效解决方案。

　　

在人工智能蓬勃发展的今天，知识图谱作为结构化知识表示的核心载体，在智能问答、信息抽取等领域发挥着关键作用。然而，这些应用的可靠性高度依赖于知识图谱中三元组（h,r,t）的质量。传统质量评估方法往往依赖高维嵌入来提高判别能力，但这不仅导致模型规模膨胀，还会引入特征冗余，严重制约了在资源受限场景下的实用性。更令人担忧的是，现有方法在进一步降低嵌入维度时会出现显著的性能下降，这一矛盾成为制约知识图谱广泛应用的重要瓶颈。

针对这一挑战，研究人员在《Knowledge-Based Systems》发表了一项创新研究。他们提出了一种名为LEKGQE（Lightweight Embedding Method for KG Quality Evaluation）的全新方法，通过核主成分分析和交叉熵特征选择的双重优化，实现了在低维空间下的高效质量评估。该研究首先利用高斯核函数对三元组各维度进行核主成分分析，将多元数据映射为单变量数据以提取关键特征；随后通过量化各维度对目标变量的贡献度，采用交叉熵筛选最具判别力的特征，最终实现嵌入维度的显著降低。关键技术包括核矩阵计算与中心化、特征方差与皮尔逊相关系数联合建模、基于交叉熵的注意力权重分配等。

研究结果显示，LEKGQE在多个基准数据集上展现出显著优势。在FB15K数据集上，32维嵌入时的F1值达到0.872，较基线模型提升14%；WN18数据集上提升12%。特别值得注意的是，该方法在200维时即可达到传统方法1000维的性能水平，验证了其高效性。针对特定关系类型的评估表明，该方法在"_has_part"等层次关系上的F1值提升尤为显著（5.6%）。通过引入双曲旋转的HYPROT变体，进一步提升了层次关系的建模能力。

这项研究的核心突破在于：首次将核方法与特征选择相结合应用于知识图谱质量评估，实现了维度缩减与性能提升的双重目标；提出的交叉熵特征选择机制能够自动识别最具判别力的特征维度；在保持评估精度的同时，显著降低了计算资源需求。这些创新为知识图谱在边缘计算等资源受限场景的应用开辟了新途径，对推动知识驱动型人工智能的普惠化发展具有重要意义。