【AI知识点】知识图谱评分函数（Scoring Function for Knowledge Graphs）

【AI论文解读】【AI知识点】【AI小项目】【AI战略思考】

---

1. 评分函数的定义和作用

知识图谱评分函数（Scoring Function for Knowledge Graphs） 是知识图谱嵌入技术中的核心部分。在知识图谱中，三元组（$h$, $r$, $t$）表示两个实体 $h$ （头实体）和 $t$ （尾实体）通过关系 $r$ 连接。评分函数的作用是为每个三元组分配一个分数，该分数反映三元组中实体与关系是否符合逻辑。

• 正例三元组：三元组是正确的，例如“比尔·盖茨创立了微软”，评分函数应给予高分。
• 负例三元组：三元组是错误的或不存在的，例如“比尔·盖茨创立了谷歌”，评分函数应给予低分。

2. 评分函数的使用场景

评分函数广泛应用于以下知识图谱任务：

• 链接预测（Link Prediction）：预测知识图谱中可能缺失的关系或实体。例如，预测“某人”可能“创立了某公司”。
• 知识补全（Knowledge Completion）：自动补充知识图谱中的缺失信息，例如补全“创立了”的公司创始人。
• 三元组分类（Triple Classification）：判断某个三元组是否为正确的事实。

3. 常见的评分函数类型

评分函数通常分为两大类：基于距离的评分函数和基于相似性的评分函数。不同的评分函数采用不同的方式来评估实体和关系的匹配度。

a. 基于距离的评分函数

这类评分函数的核心思想是：通过计算实体和关系嵌入向量之间的距离，来评估三元组的合理性。距离越小，表示三元组越合理。

i. TransE

TransE 是一种最简单的评分函数之一。它的基本假设是：关系可以看作从头实体到尾实体的“平移”，即对于一个三元组 $(h,r,t)$，要求头实体和关系的向量之和接近尾实体的向量：
$$h+r\approx t$$

• 评分函数：
  $$f(h,r,t)=\Vert h+r-t{\Vert }_2$$
  其中，$h$、$r$、$t$ 分别是头实体、关系、尾实体的嵌入向量，$\Vert \cdot {\Vert }_2$ 是 $L2$ 范数（即欧氏距离）。
• 优点：计算简单，适用于一对一关系（如“国籍”）。
• 缺点：对于复杂关系（如一对多或多对多关系）处理效果较差。

ii. TransH

TransH 是对 TransE 的改进，解决了一些复杂关系（如一对多、多对多关系）的问题。TransH 假设每个关系 $r$ 存在一个超平面，实体可以在该超平面上进行投影，使得关系映射更具表现力。

• 评分函数：