作者是Kristina Toutanova, 和Danqi Chen

本文提出了一个很简单的observed model，就可以在FB15k, WN18上的link prediction的性能超过已有的模型。文中认为原因就是这两个数据集中存在很多冗余的关系，比如语义相似的关系和inverse的关系。

例子：\(r_1\) 和 \(r_2\) 是两个相似的关系，它们经常共同存在，\(r_1\), \(r_3\) 是inverse的关系，也会经常共同出现，即( \(e_1\), \(r_1\), \(e_2\) )的三元组如果存在，则( \(e_1\), \(r_2\), \(e_2\) )和( \(e_2\), \(r_3\), \(e_1\) )也会存在。那么 \(r_1\) 与 \(r_2\) 就是相似关系，\(r_1\) 与 \(r_3\) 就是inverse关系。那么在测试集中要测试( \(e_1\), \(r_2\), \(e_2\) )或者( \(e_2\), \(r_3\), \(e_1\) )时，如果( \(e_1\), \(r_1\), \(e_2\) )在训练集中存在，那么这两个三元组则非常可能被判断为正确。

因此，为了解决FB15K和WN18这两个数据集中存在的问题，本文重新构造了一个数据集FB15k-237。这个数据集中删除了语义相似的关系或者inverse的关系，比如 \(r_1\), \(r_2\), \(r_3\)，删除了 \(r_2\) 和 \(r_3\)，保留了 \(r_1\)，这样最后就只有237个关系。同时，对于测试集与验证集中的每个三元组，其实体之间在训练集中不能相连。也就是说验证集和测试集中要测试的entity pair在训练集中不能相连。