迈向知识图谱补全的翻译方法表达力

《Scientific Reports》：Towards the expressive power of translating approach for knowledge graph completion

　　

摘要

本文对以往关于知识图谱补全的翻译方法在“表达能力”方面的悲观结论进行了重新审视。为此，我们提出了一个名为RosE的新模型，该模型通过引入两个自由度，在FB15k、WN18、FB15k237和WN18RR等常用数据集上取得了优于传统基于翻译的模型的性能。每个新的自由度都是模型中的一个向量，其作用是将实体和关系的嵌入向量旋转到新的位置。这样一来，头部实体和关系的嵌入向量就与尾部实体相等。幸运的是，当模型在实数向量空间中训练时，才会出现这种固有的限制，而在三角函数或复数等其他空间中则不会。实验结果和理论分析，再加上新提出的RosE模型，都验证了这一结论。因此，本研究的发现并不会阻碍人们在这一领域继续探索，而是有助于避免那些可能带来负面结果的尝试。简而言之，本文表明，知识图谱补全的翻译方法的局限性只是存在于某些特定条件下，且仅涉及部分模型。也就是说，只要避开已知的缺陷，这一研究方向依然具有很大的发展潜力。