文献名称:Learning Hierarchy-Aware knowledge Graph Embeddings for Link prediction(用于链路预测的学习层次感知知识图嵌入)
问题:知识图谱嵌入已被证明是预测知识图谱中缺失链接的强大技术,旨在将实体和关系表示为低维向量(或矩阵、张量等)。现有的知识图谱嵌入模型主要关注对称/反对称、inver-sion和composition等关系模式的建模,但许多现有的方法无法对语义层次结构进行建模。
方法:提出了一种新的知识图谱嵌入模型,即层次感知知识图嵌入(HAKE),它将实体映射到极坐标系中。
HAKE灵感来自于极坐标系中的同心圆可以自然地关联层次。径向坐标旨在对层次结构中不同级别的实体进行建模,半径较小的实体预计位于较高级别;角坐标旨在区分层次中相同级别的实体,这些实体的半径大致相同,但角度不同。HAKE可以有效地对知识图谱中的语义层次进行建模,并且在链接预测任务的基准数据集上显著优于现有的最先进的方法。
问题:知识图谱补全,也称为知识图谱中的链接预测,旨在基于已知链接自动预测实体之间缺失的链接。不仅需要预测两个实体之间是否存在关系,还需要确定它是哪种关系。
方法:受图谱单词嵌入(能够很好地捕捉单词语义)的启发,研究人员转向知识图谱的分布式表示(又名知识图谱嵌入)来处理链接预测问题。
知识图谱嵌入将实体和关系视为低维向量(或矩阵、张量),可以有效地存储和计算。与单词嵌入一样,知识图谱嵌入可以保留实体和关系的语义和固有结构。现有知识图谱嵌入模型的成功在很大程度上取决于它们对关系的连接模式进行建模的能力,如对称/反对称、反演和合成,但许多现有的模型未能对知识图中的语义层次结构进行建模。
语义层次是知识图中一个普遍存在的性质。例如三元组[中国,包含\位置,山东],其中“山东”在层次结构中的级别低于“中国”。
知识图谱嵌入模型——层次感知知识图嵌入(HAKE)
为了对语义层次结构进行建模,HAKE将实体分为两类:层次结构的不同级别和在层次结构的同一级别。
受具有层次属性的实体可以被视为树这一事实的启发,可以使用节点(实体)的深度来对层次的不同级别进行建模。因此,我们使用模量(modulus)信息对类别中的具有不同层级关系的实体进行建模,因为模量的大小可以与深度相关。
受同一圆上的点可以具有不同相位这一事实的启发,我们使用相位(phase)信息对相同层级关系的实体进行建模。将模数和相位信息相结合,HAKE将实体映射到极坐标系中,其中径向坐标对应于模数信息,角坐标对应于相位信息。
HAKE模型可以清楚地区分实体的语义层次,在基准数据集上显著且一致地优于几种最先进的方法。
作者注意到现有方法未能对语义层次进行建模,而语义层次又很常见。为了弥补语义层次方面建模的不足,解决实际应用中的知识建模问题。因为现有的知识图谱嵌入模型大多数是通过对关系的连通性进行建模,无法对语义层次进行建模,作者提出了HAKE,层次感知知识图谱嵌入模型。
两类实体,一类是在不同层次上的,另一类是在同一层次上的。在不同层次上的,因为每个实体的深度不同,所以可以用模量信息表示深度来区分这一类实体。而对于在相同层次上的实体,因为在同一层,使用模量信息(深度)无法明确地区分该类实体。所以使用相位信息,也就是角坐标来对同一层次的实体进行区分。最后,有深度又有角坐标,自然而然地想到了极坐标系,将实体投影到极坐标系中,径向坐标表示模量信息,深度;角坐标表示相位信息。