论文代码:https://arxiv.org/pdf/1412.6575v2.pdf
一、研究领域
在知识图谱的关系学习领域上有大量的研究,本论文即是与知识图谱关系学习相关的研究。对于知识图谱的关系学习,这类模型通过内部的机制学习知识图谱的输入(一般为结构化的RDF三元组信息)从而输出能够应用于下游任务的学习到的知识图谱的嵌入(embedding),例如知识图谱推理技术、信息检索、QA以及生物科学数据挖掘等等的应用。
二、论文动机
当时,应用于知识图谱关系学习最流行的两种方法是张量分解模型(tensor factorization)和基于神经嵌入的模型(neural-embedding-based models),这两种方法可以通过使用低维的实体和关系的表示来编码关系信息,这些表示学习方法在知识推理领域表现出了很好的性能和大规模应用的可能性。当时的基于嵌入的模型(TransE和NTN)与基于张量分解的模型(如RESCAL)相比表现出更好的预测任务性能。对于这些模型,它们具有相似的模型形式,只在实体选择和关系的表示上有点轻微的区别。因此如果没有认真严谨的比较,难以区分这些模型的选择会对学习结构产生的影响。另外,通常对于这些模型的比较只停留在链路预测层面,这种方式只能间接展示低维嵌入的意义,很难去解释在嵌入期间什么样的关系属性被捕获以及被捕获的程度有多少。
基于上述的事实,论文作者希望提出一