面向知识图谱的位置敏感嵌入模型

摘要：

知识图谱嵌入将离散的符号化实体和关系映射到连续的低维空间中,使后续的任务(如推理、图谱补全等)可以通过代数运算的方式进行.大体而言,知识图谱嵌入可以分成2类主流方法:平移距离模型和语义匹配模型.从知识图谱的图结构出发,可以分析平移距离模型的学习瓶颈,进而得出结论,即平移距离模型的缺点是没有区别对待实体在头部和尾部2个位置所应有的不同语义.据此,提出位置敏感的嵌入表示(location-sensitive embedding,LSE)模型.与现有模型不同的是,LSE仅对头部实体进行由不同关系决定的映射,并且将关系建模为一般化的线性变换而不仅是平移.理论分析的结果保证了LSE的表示能力,同时揭示了与其他模型之间的联系.同时,为了提高模型的训练和推理效率,提出简化模型LSEd,将线性变换限制为对角阵.在4个大规模通用知识图谱数据集上使用链接预测任务进行测试.实验结果表明,所提出的模型达到了最高或与当前最先进模型持平的性能.

关键词：知识图谱、表示学习、平移距离模型、位置敏感嵌入

所属期刊栏目：33

分类号：TP391.41(计算技术、计算机技术)

资助基金：科技创新新一代人工智能重大项目2030;2018AAA0102100

在线出版日期：2021-07-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：913-919