Learning Attention-based Embeddings for Relation Prediction in Knowledge Graphs

Abstract

背景：近年来知识图(KGs)以实体间缺失关系(链接)的形式与不完整或部分信息相结合的扩散，引发了大量关于知识库补全(也称为关系预测)的研究。最近研究表明，基于CNN的模型能够生成更丰富、更有表现力的特征嵌入，在关系预测方面也有很好的表现。

问题：然而，我们观察到这些KG嵌入独立地处理三元组，因此不能覆盖在三元组周围的本地邻居中固有的隐含的复杂和隐藏的信息。

本文：提出了一种新的基于注意的特征嵌入方法，该方法能同时捕获任意给定实体邻域内的实体特征和关系特征。此外，我们还在模型中封装了关系集群和多跳关系。

Introduction

知识图(KGs)将知识库(KBs)表示为一个有向图，其节点和边分别表示实体和实体之间的关系。例如，在图1中，triple (London, capital of, United Kingdom)表示为两个实体:London和United Kingdom，以及连接它们的关系(capital of)。

KGs被广泛应用于语义搜索等领域，对话生成和问题回答等等。

问题：然而，KGs通常会丢失关系。这个问题引发了知识库补全的任务(也称为关系预测)，它需要预测给定的三元组是否有效。

目前最先进的关系预测方法主要是基于知识嵌入的模型。它们被广泛地归类为翻译模型和基于CNN的模型。虽然翻译模型使用简单的操作和有限的参数来学习嵌入，但是它们产生的嵌入质量很低。相比之下&#x