n元知识表示学习方法的二维分类法

《IEEE Transactions on Knowledge and Data Engineering》：Two-Dimensional Taxonomy for n -Ary Knowledge Representation Learning Methods

　　现实世界中的知识可以以多种形式存在，包括结构化、半结构化和非结构化数据。其中，知识图谱（KGs）是一种结构化表示方法，能够将异构数据源整合为结构化表示。然而，知识图谱通常将复杂的n元关系简化为简单的三元组，从而丢失了高阶关系细节。相比之下，超图通过直接连接多个实体的超边，天然地表示n元关系。近年来，超图表示学习领域取得了许多进展，然而这些方法往往忽视了超边中实体的角色，限制了细粒度语义建模。为了解决这些问题，知识超图（KHGs）和超关系知识图谱（HKGs）结合了知识图谱和超图的优势，以更好地捕捉现实世界中知识的复杂关系结构和角色特定语义。本综述系统性地回顾了n元关系数据的表示学习方法，主要关注静态KHGs和HKGs。我们提出了一个二维分类体系：第一维基于方法论对模型进行分类，包括基于平移的模型、基于张量分解的模型、基于深度神经网络的模型、基于逻辑规则的模型和基于超边扩展的模型。第二维根据模型对n元关系中实体角色和位置的意识程度进行分类，将其分为位置感知型、角色感知型和无意识型方法。最后，我们总结了基准数据集、训练设置、负采样策略和基准式性能比较，并概述了开放挑战以启发未来研究。