论文浅尝 | 知识图谱中的链接预测：一种基于层次约束的方法

论文笔记整理：张良，东南大学博士生，研究方向为知识图谱，自然语言处理。

---

链接：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8450054

 

本文主要关注KG上的 Link prediction 问题，以往的方法在处理KG的时候只利用了 KG 里最一般的结构，例如将关系向量r作为头实体向量h和尾实体向量t之间的一个翻译，这种结构在KG中是最直接最普遍的。然而还有许多其它特殊的 KG Structure 可以被利用从而提升链接预测等任务的效果。一个典型的结构就是知识图谱中的层次结构（hierarchical structure），这种结构包含了丰富的推理模式，可进一步提高链接预测的效果。在文本中，作者提出了一种基于翻译模型的层次约束链接预测方法，称为hTransM。它可以通过检测单步或多步的层次结构来适应性地决定最优间隔。

背景

在一个知识图谱中，节点表示实体，边表示节点之间的关系。知识图谱上的链接预测目的是为了能够预测出一个三元组（h，r，t）缺失的头实体h，尾实体t或者关系r。为了处理这一问题，已经出现了许多相关方法，大致可以分为两类。第一类是基于规则和路径的方法，也就是关系通过比较明确的规则和关系路径的学习预测得来。第二类就是基于知识图谱嵌入的方法，实体之间的关系通过嵌入向量被隐式地预测出来。这些方法中比较有代表性的有基于翻译模型的TransE，TransA，还有利用图谱结构的PTransE等。

动机

虽然已经出现了一些利用图谱自身结构的模型，如PTransE，但仍有许多图谱自身的特殊结构没有被有效利用，一个典型的结构就是知识图谱中的层次结构（hierarchical structure）。在这种结构中，实体组织成树状结构，它们的关系也为层次关系。这种层次结构类似关系路径，能够提供丰富的模式，从而提高链接预测效果。这种层次结构其实在知识图谱中普遍存在，例如数据集WN18，有将近50%的层次关系。这种层次结构会导致实体的嵌入向量呈一个比较特殊的分布，相比于没有层次结构的方法多了一些限制，从而可以提升链接预测等任务的效果。基于以上动机，作者提出了hTransM，一种基于层次约束的链接预测方法。文中的主要贡献有如下四点：

（1）本文将层次结构分为两类，一类是单步层次结构（single-step hierarchical structures），另一类是多步层次结构（multi-step hierarchical structures）。另外，文中还提供了一种通过利用层次关系的属性来检测层次结构的方法。