KBGAN: Adversarial Learning for Knowledge Graph Embeddings理解

本篇论文的主要创新点在于将GANs与Knowledge graph embeddings(KGE)相结合，提高了KGE的效率。

传统KGE方法通过随机替换fact的head或tail entity生成负样本，但这样的负样本往往与正样本的语义差别较大，对模型的训练没有帮助。

因此，本文提出KBGAN——损失函数为marginal loss function，带有softmax的KGE模型。KBGAN的总架构如下图所示。

其中，G(Generator)基于softmax产生高质量的负样本，D(Discriminator)最小化正样本与生成负样本的marginal loss。

最后，通过大量的实验表明，GANS与KGE结合，大大改善了KGE的效率。

另外，本文还有一些值得注意的地方：

1. One-step reforcement learning with policy gradient descent.
2. Detailed proof.