知识图谱属性融合_融合事实信息的知识图谱嵌入——语义匹配模型

知识图谱嵌入

知识图谱(KG)是由实体 (节点) 和关系 (不同类型的边) 组成的多关系图。每条边都表示为形式 (头实体、关系、尾实体) 的三个部分，也称为事实，表示两个实体通过特定的关系连接在一起。虽然在表示结构化数据方面很有效，但是这类三元组的底层符号特性通常使 KGs 很难操作。为了解决这个问题，提出了一种新的研究方向——知识图谱嵌入。关键思想是嵌入 KG 的组件，包括将实体和关系转化为连续的向量空间，从而简化操作，同时保留 KG 的原有的结构。那些实体和关系嵌入能进一步应用于各种任务中，如 KG 补全、关系提取、实体分类和实体解析。

融合事实信息的知识图谱嵌入

步骤：

①使用连续向量空间表示实体关系，关系通常被视为向量空间的运算。

②定义评分函数，用来测量事实的合理性。

③学习实体关系的表示，优化问题：最大化全局观测事实的合理性。

有两个主要分类：

①平移距离模型 translational distance models 前者使用基于距离的评分函数

②语义匹配模型 semantic matching models 后者使用基于相似度的评分函数

语义匹配模型

语义匹配模型利用基于相似性的评分函数。它们通过匹配实体的潜在语义和向量空间表示中包含的关系来度量事实的可信性。

RESCAL模型及其变体

RESCAL模型(双线性模型)

实体用向量表示，关系用矩阵表示。该关系矩阵对潜在因素之间的成对交互作用进行了建模。评分函数是一个双线性函数。

Di