Resumen: El gráfico de conocimiento tradicional (KG) Los métodos de incrustación tienen como objetivo representar entidades y relaciones en un espacio de baja dimensión, centrándose principalmente en gráficos estáticos. Sin embargo, los KG del mundo real evolucionan dinámicamente con la adición constante de entidades, relaciones y hechos. Para abordar tal naturaleza dinámica de KGS, se han desarrollado varios métodos de incrustación de gráficos de conocimiento continuo (CKGE) para actualizar eficientemente las integridades de KG para acomodar nuevos hechos mientras mantienen el conocimiento aprendido. A medida que los KG crecen a diferentes tasas y escalas en los escenarios del mundo real, los métodos CKGE existentes a menudo no consideran las escalas variables de las actualizaciones y la falta de evaluación sistemática durante todo el proceso de actualización. En este artículo, proponemos SAGE, un marco de evolución gradual consciente de la escala para CKGE. Específicamente, SAGE determina en primer lugar las dimensiones de incrustación basadas en las escalas de actualización y expandir el espacio de incrustación en consecuencia. El mecanismo de destilación dinámica se emplea aún más para equilibrar la preservación del conocimiento sabido y la incorporación de nuevos hechos. Realizamos experimentos extensos en siete puntos de referencia, y los resultados muestran que SAGE supera constantemente las líneas de base existentes, con una mejora notable de 1.38% en MRR, 1.25% en H@1 y 1.6% en H@10. Además, los experimentos que comparan SAGE con métodos que utilizan dimensiones de incrustación fijas muestran que SAGE logra un rendimiento óptimo en cada instantánea, lo que demuestra la importancia de las dimensiones de incrustación adaptativa en CKGE. Los códigos de SAGE están disponibles públicamente en: esta URL HTTPS.
Publicado Originalme en export.arxiv.org El 17 de agosto de 2025.
Ver Fuente Original
