Rule-Guided Compositional Representation Learning on Knowledge Graphs
1.表示学习知识图谱(KG)是将KG的实体和关系嵌入到低维连续向量空间中。
2.可以使用Horn规则在语义级别上组合路径和关联关系,以提高学习路径上KG嵌入的精度,并增强表示学习的可解释性。
3.DPTransE共同构建了KG的潜在特征和图形特征之间的交互,以提供精确而有区别的嵌入。
4.路径增强模型:由于多跳路径可以提供KG中看似未连接的实体之间的关系,因此KG中存在的路径已受到更多关注,可以与KG嵌入相结合。
5.论文提出了一种新颖的基于规则和基于路径的联合嵌入(RPJE)方案,该方案利用了逻辑规则的可解释性和准确性, KG嵌入的一般化以及路径的补充语义结构。特别是,首先从KG中提取以Horn子句形式存在的不同长度(规则主体中的关系数)的逻辑规则,并精心编码以表示学习。然后,使用长度为2的规则来精确地组成路径,而明确使用长度为1的规则来创建关系之间的语义关联并约束关系嵌入。而且,在优化中还考虑了每个规则的置信度,以保证将规则应用于表示学习的可用性。