基于表示学习的多关系型知识图谱推理算法

摘要

目前知识图谱的推理方法中,表示学习尤其是基于翻译的TransE系列算法取得了优异表现.其相关论文大都关注实体推理,然而关系推理作为知识图谱补全的关键技术值得受到关注与研究.与此同时,在规模不断扩大、知识来源更加多样化的知识图谱中,关系种类繁多且类型复杂,单个关系在全体三元组中的出现频率进一步降低,这为关系推理增加了难度.因此针对多关系型知识图谱,基于TransE模型并侧重知识图谱三元组中关系的推理,提出一种新的关系建模方法,通过调整向量空间中实体向量与关系向量间的组织结构,缓解多映射属性关系中不同种类的关系争抢同一向量的问题.然后又与其他方法结合,使新的模型在实体推理上具备可行性.通过在公开的FB15k数据集以及自行从网络中抽取得到的中文数据集上展开的知识推理实验,从关系推理准确率与实体推理准确率等指标与相似方法进行对比,均取得了良好的表现,成功验证了算法的有效性与先进性.