多知识图谱表示学习-MTransE算法

MTransE

（这是一篇小白入门笔记，请勿转载，欢迎指正！）

之前介绍的这些模型都是对单一语言的知识图谱做嵌入的工作。而由于实际生活中的知识、知识库都是由各种不同的语言构建的，要将他们融合起来就需要完成跨语言的知识实体对齐工作，通过实体对齐进行跨语言知识图谱融合，帮助计算机提取出在不同的语言体系下语义相一致的实体和关系所具备的不同表达，以及跨语言实体更为充分的特征信息。

多知识图谱表示学习

基于实体嵌入学习的实体对齐模型通常有几种解决问题的方式，一种是在开始训练以前先将已预先对齐的实体合并，将两张知识图谱合并成一张大的知识图谱，再对这张大知识图谱进行表示学习实现知识嵌入，其中具有代表性的有 JE 模型。第二种方式是首先对两张知识图谱分别先进行一次知识嵌入，将他们投影到两个不同的向量空间，再通过已经对齐的实体训练出将这两个向量空间对齐的变换。第三种是将不同知识图谱在同一空间嵌入，对潜在的对齐的三元组对学习一个近似表示。

MTransE

在第二种方式中就有经典的 MTransE 模型，它于 2017 年提出，是一个基于翻译的跨语言知识图谱表示学习模型。MTransE 将每种语言的知识表示在一个独立的低维向量空间里，为这个语言的每个向量表示的实体计算出它映射到其他语言空间中的变换，它在实现跨语言实体嵌入的同时又保留了单一语言的嵌入功能。

MTransE 提供了三种方式来进行跨语言转换，分别是基于距离的轴校准、平移向量和线性变换。轴校准是是根据不同语言的对等实体之间的距离做出优化的对齐模型，它规定正确对齐的对等实体的在不同语言空间中倾向于具有相近的嵌入向量，因此通过最小化已知的对齐三元组对的损失函数使得对齐模型调整嵌入空间的轴线，以使不同语言的同一实体的向量尽量重合。平移向量模型将跨语言转换表示为平移向量，考虑到了图的原本结构，并将跨语言变换描述为关系平移。线性变换模型从已经对齐的实体上学习从一个空间到定义空间的线性变换矩阵，它不假设空间相似性，将跨语言转换视为嵌入空间的拓扑转换。这三种不同的技术提供了五种不同的损失函数。

总体来说，MTransE 在跨语言实体对齐和对齐验证上表现良好。