8.22 知识图谱嵌入技术研究综述-知网-张天成、田雪、孙相会等-软件学报.2023,34(01)-KGE面临的挑战

KGE面临的挑战

        KG 中的实体和关系具有复杂的特性和丰富的信息，而这些信息尚未得到充分考虑。为增强 KGE 方法的性能需要进一步探索 KG 的内部和外部信息。

        ● 知识类型：不同的 KGE 方法在处理 1-1，1-N，N-1 和 N-N 关系时具有不同的性能，这表明针对不同类型的知识或关系需要设计不同的 KGE 框架。然而，现有的 KGE 方法简单地将所有关系分为 1-1，1-N，N-1 和 N-N 关系，不能有效地描述知识的特征。根据知识的认知和计算特性，现有知识可分为以下几种类型：(1) 表示实体之间从属关系 (如 has part)。(2) 表示实体属性信息 (如 nationality)。(3) 表示实体之间的相互关系 (如 friend of)。这些不同类型的关系应该采用不同的方式建模。

        ● 多语言嵌入：不同语言的向量空间之间对应概念的几何排列具有很强的相似性，两个向量空间之间的跨语言映射在技术上是可行的。多语言 KG 对于知识共享具有重要意义，并且在跨语言信息检索，机器翻译，问答等领域发挥着重要作用。然而，现有的关于多语言 KG 嵌入的研究很少，因此多语言 KGE 的研究是一项有待解决的有意义但又具有挑战性的工作。

        ● 多源信息学习：随着网络技术的快速发展，如今的互联网不仅包含页面和超链接，音频、图片和视频等多源信息也越来越多地出现在网络上。因此，如何高效地利用从文本到视频的多源信息已成为 KGE 中的一个关键且具有挑战性的问题。现有的利用多源信息的方法尚处于初步阶段，诸如社交网络之类的其他形式的多源信息仍然独立于知识图谱表示的构建，因此还有待进一步研究。         ● One-shot/Zero-shot 学习：近年来，One-shot/Zero-shot 学习在单词表示，情感分类，机器翻译等各个领域中蓬勃发展。One-shot/Zero-shot 学习的目的是从一个只有少量实例的类或一个从未见过的类的实例中学习，在知识图谱表示中，一个实际的问题是低频实体和关系的学习比高频实体和关系的学习更差。然而，借助实体和关系的多语言和多模态表示，低频实体和关系的表示可以在一定程度上得到改善。此外，有必要设计新的 KGE 框架，使其更适合于低频实体和关系的表示学习。