近日，在国际顶级图学习标准OGB(Open Graph Benchmark)挑战赛中，第四范式凭借 AutoML （自动机器学习）技术 ，在与斯坦福大学、康奈尔大学、Facebook、阿里巴巴等国际顶尖高校与科技巨头同场竞技中脱颖而出，以较大优势斩获 ogbl-biokg 、ogbl-wikikg2两项任务榜单第一 。

近年来，知识图谱因可挖掘实体之间的潜在关系、提供更高效的搜索结果，被广泛应用在智能搜索、智能问答、社交网络、金融风控等诸多行业应用中。作为知识图谱领域重要的技术手段，图学习已成为机器学习最重要的研究领域之一，受到了学术界和工业界的广泛关注。

OGB是目前公认的图学习基准数据集代表，由斯坦福大学Jure Leskovec教授团队建立，于2019年国际顶级学术会议NeurIPS上正式开源。其囊括了节点性质预测、边性质链接预测、图性质预测等知识图谱领域众多权威赛题，以质量高、规模大、场景复杂、难度高著称 ，素有知识图谱领域“ImageNet”之称，成为众多科技巨头、科研院所和高校团队试验技术成色的试金石 。

此次，第四范式参与了ogbl-biokg、ogbl-wikikg2两项数据量庞大且极具业务价值 的知识图谱链接预测任务，均在处理嘈杂、不完整知识图谱等方面挑战巨大。其中，ogbl-biokg包含多个海量生物医学知识库，构成了500多万个三元组(实体-关系-实体、实体-属性-属性值)，在药物属性预测及生物医学研究方面具有重要意义 。ogbl-wikikg2来源于Wikidata知识库，需要在1700多万个事实三元组中精准预测实体间的潜在关系，可有效提升推荐系统、智能问答等场景应用效果 。

为了精准理解数据集中复杂语义信息、挖掘潜在关系，业界通常以评分函数(SF)作为衡量知识图谱中三元组可编程性的重要指标，但现有评分函数设计仅专注于某一类语义模型，无法应对实际应用中千变万化的知识图谱任务场景。

受AutoML启发，第四范式本次采用AutoSF(自动评分函数)参赛，通过理解生物医学、维基百科等复杂知识图谱中的不同语义信息，设计出更符合场景认知特性的评分函数，实现在对应任务上的性能突破。同时，AutoSF设计的评分函数可高效利用模型参数，在具有更小模型复杂度的基础上，预测性能位居第一，以较大优势超过 PairRE 、 TransE 、 ComplEx 、 RotatE 等其他知名评分函数 。

文章纠错