知识图表示学习中的负采样：综述
内容提要
该文综述知识图谱嵌入中的负采样研究，涵盖NS-KGE全量消除负采样框架、无负采样正则化方法、MixKG混合采样、KG-NSF无采样框架及MCNS自对比采样等，指出不同负采样方法效果差异显著，需按模型与数据集调整，以提升效率与准确度。
延伸解读
负采样方法多样，效果差异显著
文章指出，不同负采样方法在知识图谱嵌入中的效果差异较大，且在不同数据集上表现各异。例如，MixKG通过过滤异常三元组生成更高质量的负样本，而MCNS利用自对比近似和Metropolis-Hastings加速。因此，在实际应用中需根据具体模型和数据集调整负采样策略，不能一概而论。
无负采样框架的兴起与效率优势
为规避负采样的计算开销和超参数调优难题，研究者提出了多种无负采样方法。NS-KGE通过数学推导实现全量消除负采样，KG-NSF利用交叉相关矩阵快速学习嵌入，而正则化方法则通过添加正则项避免负采样。这些框架在保持链接预测性能的同时，往往具有更快的收敛速度。
负采样损失函数的超参数调优挑战
负采样损失函数中常包含多个超参数，如边缘项和负样本数量，不当设置会导致性能下降。文章提到，通过理论分析损失函数可以辅助超参数调整，并且针对不同的得分方法需要适当调整这些参数。实验表明，理论发现与实际训练结果相符，这为超参数优化提供了指导。
Q&A
知识图谱嵌入中负采样方法的效果是否一致？
不一致。实证研究表明，不同负采样方法在知识图谱嵌入中的效果差异较大，且在不同数据集上表现也各有不同。
NS-KGE框架如何提升知识图谱嵌入的效率和准确性？
NS-KGE框架将负采样方法转变为全量消除，并使用数学推导减少模型计算复杂度，从而在效率和准确度上均有所提高，并适用于多类知识图谱嵌入模型。
有哪些方法可以避免知识图谱嵌入中的负采样？
包括：通过向损失函数添加新颖的正则化项避免负采样（用于DistMult和SimplE）；提出负采样免费框架KG-NSF，通过交叉相关矩阵快速学习KG嵌入；以及NS-KGE框架全量消除负采样。
MixKG负采样方法是如何工作的？
MixKG基于混合运算，通过过滤出符合充分性和正确实体相似性两个标准的异常三元组，使用这些三元组生成更高质量的负采样，实验证明优于其他采样算法。
MCNS负采样方法有什么特点？
MCNS基于自对比近似和Metropolis-Hastings加速，应用于链接预测、节点分类等任务，并在19个实验设置中证明了其优越性。
如何调整知识图谱嵌入中的负采样超参数？
研究通过理论分析负采样损失函数来协助超参数调整，并指出针对不同的得分方法，需要适当调整边缘项或负样本数量。
