KG 高引论文解读两篇 | 两种模型：多层卷积神经网络、知识感知路径递归网络

1. Convolutional 2D Knowledge Graph Embeddings

作者：Tim Dettmers, Pasquale Minervini, Pontus Stenetorp, Sebastian Riedel（伦敦大学学院）

论文出处：The Thirty-Second AAAI Conference on Artificial Intelligence (AAAI 2018)

点此获取“论文地址”

①研究问题

知识图谱的链接预测任务是预测节点之间潜在的关系。传统的链接预测方法专注于浅的、快速的模型，因为这样可以扩展到大规模的KG中。但是浅层模型学习到的特征比深沉模型少很多，大大限制了模型的性能。解决该问题的方法之一是增加embedding的维度，但是会加模型参数量，不方便扩展到大规模KG中。此外，部分现有数据集中有测试集泄露问题：训练集中的三元组稍微翻转一下就可以得到测试集三元组，然后使用基于规则的模型就能达到最佳性能。文章通过构造一个简单的翻转来衡量这个问题严重性，并清洗了部分数据来解决该问题。

②研究方法

文章提出一种多层卷积神经网络模型用于知识图谱的链接预测任务。与自然语言处理中常用的一维卷积不同，文章通过把多个向量堆叠成矩阵，就可以像图形一样用二维卷积核来抽取embedding之间的关系。