1.背景
知識圖譜編碼了實體和它們豐富的關聯之間的結構化信息,但是現實場景中的實體和關係成千上萬,想把一個知識圖譜填充滿是一件很難的事情。因此,知識圖譜填充即是基於已有的圖譜建立實體到實體的關係。KG 中實體和關係都是通過Embedding建立關聯,讓實體和關係有一個好的表達能夠更好的完成知識圖譜的填充任務。
2.演變
最簡單最有效的方法是TransE。TransE將起始實體,關係,指向實體映射成同一空間的向量,如果(head,relation,tail)存在,那麼 ,目標函數爲:
TransE是符合直覺的,但是TransE卻無法解決一對多,多對多的問題。舉個例子,假設存在個不同的實體,都有 ,其中 ,那麼按照TransE的方法則認定爲這個實體是同一個實體,但是顯然不是。
爲了解決一對多和多對多的問題,可以考慮將具有以上關係的實體放置與同一個平面,TransH即是基於這樣的考慮。通過關係的法向量建立一個關係平面,然後將實體和實體映射到該平面,分別得到和。剩下的就是和TransE一樣的公式來最小化目標函數:
其中,,。
進行到這裏,好像沒什麼問題了。但是TransH的假設是實體和關係都處於同一個空間,這樣纔有映射到一個關係平面去求實體的映射。假如關係空間不同於實體空間,TransH就無能爲力了。而且,好像實體和關係處於不同空間更貼近真實場景(實體是名詞,關係是動詞,好像有點牽強,hh)。TransR通過關係矩陣將實體映射到關係空間,再最小化三元組的距離。
其中,,。
3.應用
- 推薦系統
Relational Collaborative Filtering: Modeling Multiple Item Relations for Recommendation,SIGIR 2019.
Collaborative Knowledge Base Embedding for Recommender Systems,KDD 2016