我们这样来训练embeddings,首先把 实体空间 映射到对应的 关系空间,然后在 已经映射的实体间 建立翻译。
实验中,我们通过这样的任务评估模型,link预测,三元组分类,关系事实抽取。
知识图谱补全的目标是预测实体间的关系,在有监督的已有知识图谱下。
知识图谱补全类似社交网络分析中的link预测,不同点是知识图谱补全中,我们不仅要预测关系存在,还要预测关系类型。
最近比较流行把知识图谱embedding到连续向量空间。
相关模型
TransE和TransH
TransE是h+r≈t,表示h+r的最近的邻居是t,打分公式就是
TransE在1对1的关系应用很好,但是N对1,1对N,N对N关系中有问题。针对这个问题,TransH提出了,r就在超平面上,h和t映射到超平面