论文浅尝 | Convolutional 2D knowledge graph embedding

笔记整理 | 孙悦，天津大学

---

1. 介绍：

知识图的链接预测是预测实体之间缺失关系的任务。先前有关链接预测的工作集中在浅，快速的模型上，这些模型可以缩放到大型知识图例如基于基于平移变换的 TransE 系列。但是，这些模型比深层次的多层模型学习的表达功能要少，这可能会限制性能。本文中提出了一种多层卷积网络模型ConvE（用于链路预测）。该模型在建模具有高度关联性的节点时非常有效，而高度关联的复杂知识图（例如Freebase和YAGO3）非常常见。

2.背景：

知识图谱中的链接预测模型通常由简单的操作组成，例如内积和嵌入空间上的矩阵乘法，并使用数量有限的参数，其特征在于嵌入参数之间的三向交互，每个参数产生一个特征。使用这种简单，快速，浅层的模型可以使人们按比例缩放到较大的知识图，而代价是学习较少的表达特征导致最终连接预测的效果堪忧。

增加浅层模型中特征的数量（从而提高其表达能力）的唯一方法是增加嵌入大小。但是，这样做导致无法缩放到较大的知识图，因为嵌入参数的总数与图中实体和关系的数量成比例。解决