知识图谱：基于张量分解的模型（RESCAL）

论文地址：

https://www.researchgate.net/publication/221345089_A_Three-Way_Model_for_Collective_Learning_on_Multi-Relational_Data

一、研究领域

在如社交网络、语义网络、生物信息学与人工智能等等的领域上，关系学习变得越来越重要。在应用上，关系学习可用于链路预测、集体分类等等。例如，对于知识图谱领域，关系学习可用于知识推理和补齐技术，对残缺和带有错误信息的知识图谱进行知识推理和补齐，对于知识图谱而言，一般使用结构化的RDF三元组信息来表示，因此对于本论文提出的模型——RESCAL，输入为结构化的三元组信息，输出则为学习到的知识图谱实体和关系之间的潜在信息，这些信息可以应用于下游的机器学习任务。

---

二、论文动机

从建模的角度来看，张量（tensor）提供了简单性，因为无论多少阶的多元关系都可以直接由高阶的张量表示。并且，张量方法不需要已知关于问题结构的先验知识，也不需要从数据中推理，因为这是必要的，例如贝叶斯网络或马尔可夫逻辑网络（MLN）等图结构模型。从学习角度来看，使用张量分解方法的一个原因是，关系域通常是高维且稀疏的，在这种情况下，因子分解方法已经显示出非常好的结果。

然而，此前的一些著名的张量分解方法（如CP、Tucker）无法有效地建模集体学习，难以捕捉相关实体的属性、关系或类别；尽管随后出现的DEDICOM可以实现，但是不幸地它存在着约束以致于无法合理地应用到关系学习上，因此只能产生次优的结果。

因此，作者在论文里提出了一个新的关系学习方法——RESCAL，这个方法基于跟DEDICOM相关的张量分解方式，但不存在像DEDICOM那样的约束条件，因此这个方法有着高质量和相比明显的时间复杂度提升，并且取得了与当时的SOTA模型类似甚至更优的结果。

---