知识图谱嵌入(KGE)：方法和应用的综述（持续更新）

红太狼 2022-12-15 03:28 238阅读 0赞

# 知识图谱嵌入(KGE)：方法和应用的综述 #

## 1. 知识图谱(KG) ##

*  由实体(节点)和关系(不同类型的边)组成的多关系图。
 *  每条边都表示为形式(头实体、关系、尾实体)的三个部分，也称为事实

### 1.1 问题 ###

*  这类三元组的底层符号特性通常使KGs很难操作

### 1.2 解决： ###

*  提出了一种新的研究方向——知识图谱嵌入。

### 1.3 关键思想 ###

*  嵌入KG的组件，包括将实体和关系转化为连续的向量空间，从而简化操作，同时保留KG的原有的结构。

## 2. 融合事实信息 ##

### 2.1 平移距离模型 ###

*  平移距离模型利用了基于距离的评分函数，通过两个实体之间的距离对事实的合理性进行度量。

![img][]

#### 2.1.1 TransE模型 ####

*  平移不变现象

![fdb94b26129d728023983e95985a8159.png][]

*  \*\*TransE模型：\*\*将知识库中的关系看作实体间的某种平移向量。
 *  对于每个事实三元组(h,r,t)，TransE模型将实体和关系表示为同一空间中，把关系向量r看作为头实体向量h和尾实体向量t之间的平移即  h + r ≈ t h+r≈t h\+r≈t。
 *  可以将r,看作从h到t的翻译
 *  知识库中的实体关系类型可分为 一对一 、一对多 、 多对一 、多对多4 种类型，而复杂关系主要指的是 一对多 、 多对一 、多对多的 3 种关系类型。
    
    ##### 优点 #####
    
     *  TransE模型的参数较少，计算的复杂度显著降低，并且在大规模稀疏知识库上也同样具有较好的性能与可扩展性。
    
    ##### 缺点 #####
    
     *  TransE模型不能用在处理复杂关系上。

#### 2.1.2 TransH模型 ####

*  为了解决TransE模型在处理一对多 、 多对一 、多对多复杂关系时的局限性。
 *  TransH模型提出让一个实体在不同的关系下拥有不同的表示。
 *  对于关系r，TransH模型同时使用平移向量r和超平面的法向量w\_r来表示它。对于一个三元组(h, r, t) , TransH首先将头实体向量h和尾实体向量r，沿法线wr，影到关系r对应的超平面上，用h⊥和t⊥表示如下：

![150acc7c5d7d1c05ed1fad7e8e5e04c7.png][]

*  TransH 使不同的实体在不同的关系下拥有了不同的表示形式，但由于实体向量被投影到了关系的语义空间中，故它们具有相同的维度
    
    ##### 缺点： #####
    
     *  虽然TransH模型使每个实体在不同关系下拥有了不同的表示，它仍然假设实体和关系处于相同的语义空间中，这一定程度上限制了TransH的表示能力。

#### 2.1.3 TransR模型 ####

*  TransR模型认为，一个实体是多种属性的综合体，不同关系关注实体的不同属性。
 *  不同的关系拥有不同的语义空间。
 *  对于每一个关系r，TransR定义投影矩阵Mr，将实体向量从实体空间投影到关系r的子空间，用h⊥和t⊥表示如下：

![dfaa97925b17c63360a965e4f74e53b0.png][]

*  然后使  h ⊥ + r ≈ t ⊥ h⊥+r≈t⊥ h⊥\+r≈t⊥
    
    ##### 缺点： #####
    
     *  在同一个关系下：头、尾实体共享相同的投影矩阵。然而，一个关系的头、尾实体的类型或属性可能差异巨大。例如，对于三元组(美国，总统，奥巴马)，美国和奥巴马的类型完全不同，一个是国家，一个是人物。
     *  从实体空间到关系空间的投影是实体和关系之间的交互过程，因此TransR让投影矩阵仅与关系有关是不合理的。
     *  与TransE和TransH相比，TransR由于引入了空间投影，使得TransR模型参数急剧增加，计算复杂度大大提高。

#### 2.1.4 TransD模型 ####

*  给定三元组(h, r, t) , TransD模型设置了2个分别将头实体和尾实体投影到关系空间的投影矩阵Mr1和Mr2。具体定义如下:

![img][img 1]

*  尾实体用h⊥和t⊥表示如下：

![img][img 2]

#### 2.1.5 TranSparse模型 ####

*  TranSparse是通过在投影矩阵上强化稀疏性来简化TransR的工作。它有两个版本：TranSparse (共享)和TranSparse (单独)。
 *  TranSparse (共享)对每个关系r使用相同的稀疏投影矩阵 M r ( t h e t a r ) M\_r(theta\_r) Mr(thetar) 即：

![img][img 3]

*  TranSparse (单独)对于头实体和尾实体分别使用2个不同的投影矩阵 M r 1 ( t h e t a r 1 M\_r1(theta\_r1 Mr1(thetar1)和 M r 2 ( t h e t a r 2 ) M\_r2(theta\_r2) Mr2(thetar2)。

![img][img 4]

*  这里的 t h e t a r theta\_r thetar、 t h e t a r 1 theta\_r1 thetar1和 t h e t a r 2 theta\_r2 thetar2表示这些投影矩阵的稀疏度。
    
    ##### 优点： #####
    
     *  TransSparse模型通过引入稀疏投影矩阵，TransSparse模型减少了参数个数。

#### 2.1.6 TransM模型 ####

*  除了允许实体在涉及不同关系时具有不同的嵌入之外，提高TransE模型性能可以从降低h+r≈t的要求研究开始。TransM模型将为每个事实（h,r,t）分配特定的关系权重theta\_r。
 *  通过对一对多、多对一和多对多分配较小的权重，TransM模型使得t在上述的复杂关系中离h+r更远。

#### 2.1.7 ManifoldE模型 ####

*  ManifoldE模型对于每个事实三元组 （ h , r , t ） （h,r,t） （h,r,t）将 h + r ≈ t h+r≈t h\+r≈t转换为(h+r-t)的L2范式约等于theta\_r的平方。
 *  ManifoldE把t近似地位于流形体上，即一个以h+r为中心半径为theta\_r的超球体，而不是接近h+r的精确点。

#### 2.1.8 TransF模型 ####

*  TransF只需要t与h+r位于同一个方向，同时h与t-r也位于同一个方向。

#### 2.1.9 TransA模型 ####

*  TransA模型为每个关系r引入一个对称的非负矩阵Mr，并使用自适应马氏距离定义评分函数。
 *  通过学习距离度量Mr, TransA在处理复杂关系时更加灵活。
    
    ##### 问题： #####
    
     *  评分函数只采用L1或L2距离，灵活性不够。
     *  评分函数过于简单，实体和关系向量的每一维等同考虑。
    
    ##### 解决 #####
    
     *  提出TransA模型，将评分函数中的距离度量改用马氏距离，并为每一维学习不同的权重。
    
    ##### 示例 #####
    
     *  如下图所示， ( h 1 , r 1 , t 1 ) ( h\_1, r\_1, t\_1) (h1,r1,t1)和 ( h 2 , r 2 , t 2 ) (h\_2,r\_2,t\_2) (h2,r2,t2)两个合法的事实三元组，t3是错误的尾实体。如果使用欧氏距离，如图(a)所示，错误的实体t3会被预测出来。而如图(b)所示，TransA模型通过对向量不同维度进行加权，正确的实体由于在x轴或者y轴上距离较近，从而能够被正确预测。
    
    ![img][img 5]

### 2.2 高斯嵌入模型 ###

## 3 语义匹配模型 ##

*  使用基于相似度的评分函数

博客参考：https://mp.weixin.qq.com/s/6RP3OguFqK8PxfBUz6gu2Q

[img]: /images/20221123/304b15cf45f14abcac32e1554ebe7c42.png
[fdb94b26129d728023983e95985a8159.png]: /images/20221123/3621ac0fb3a74b48a8f8063fe8e68d9a.png
[150acc7c5d7d1c05ed1fad7e8e5e04c7.png]: /images/20221123/c6abe667c04f4d9e8bdfafc5a5c1d73e.png
[dfaa97925b17c63360a965e4f74e53b0.png]: /images/20221123/7cf25b306e90486b90f81cd38635cafe.png
[img 1]: /images/20221123/9a13bbc7f53f4f76ac95dd9467227265.png
[img 2]: /images/20221123/3410fa2f1e3146b9b3fa2b3a9d981786.png
[img 3]: /images/20221123/634d4f04d81e4dcfac571d39ca592d50.png
[img 4]: /images/20221123/a523114a359d4cb0be135be4872a6c6c.png
[img 5]: /images/20221123/a396331fa2cc4691962c18dd5a73b726.png