通過頭實體和關系子空間之間的相互作用和標量融合學習尾實體的表示
中文題目：通過頭實體和關系子空間之間的相互作用和標量融合學習尾實體的表示
論文題目：Learning Representations of Tail Entities via Interactions and Scalar Fusions among Subspaces of Head Entities and Relationships
錄用期刊/會議：CAC2024 （CAA A類會議）
錄用時間：2024.9.20
作者列表：
1) 吳芃鲯 中國石油大學（北京）人工智能學院 控制科學與工程 研22級
2) 劉建偉 中國石油大學（北京）人工智能學院 自動化系 教師
摘要:
在過去的幾十年里，針對鏈式預測和知識圖譜補全任務的算法得到了廣泛研究。然而，傳統基于幾何空間嵌入的方法面臨諸如高維度、高計算復雜度和擴展性差等挑戰。為了解決這些問題，我們提出了一種新模型：基于頭實體和關系子空間交互與標量融合的尾實體表示（RTIFS）。該模型基于一種新的假設，即頭實體、關系與尾實體三元組之間的空間關系可以通過嵌入與抽象來獲取尾實體的信息。實驗表明，與最新的八個先進基線模型相比，RTIFS 在性能上具有競爭力，并且降低了嵌入維度。
背景與動機:
知識圖譜（Knowledge Graphs，KGs）近年來在自然語言處理、數據挖掘和推薦系統等領域得到了廣泛應用。然而，現有的基于幾何空間嵌入和神經網絡的方法面臨高維度嵌入、高計算復雜度和可擴展性不足等挑戰。為解決這些問題，本研究旨在提出一種高效、可擴展的新模型，以優化知識圖譜鏈式預測和補全任務。
主要內容:
本文提出了一種名為 RTIFS 的新模型。RTIFS 基于新的假設，認為尾實體的信息來自于頭實體和關系對象子空間的交互。通過編碼，將頭實體和關系映射到不同的局部子空間，并通過逐元素乘積提取交互信息，從而生成尾實體的全局表示。模型在 FB15k-237 和 WN18RR 數據集上進行了實驗，與八個先進模型進行對比，結果顯示 RTIFS 在保持較低嵌入維度的同時，性能仍然非常優越。
圖1 RTIFS的主要架構
結論:
為了解決當前知識圖譜鏈式預測任務中模型的高復雜度、高嵌入維度和擴展性差的問題，我們提出了基于多空間映射的 RTIFS（Revised Triple Information Fusion and Simplification） 模型。RTIFS 引入了一種關于三元組對象信息空間關系的新假設，通過優化計算效率，在低維嵌入的情況下實現了與最先進模型相當的性能。實驗驗證了多空間映射方法的有效性，并為三元組信息的空間關系提供了新的見解。未來的研究應側重于解碼器的優化、正則化方法以及頭實體與關系信息的集成。
作者簡介:
劉建偉，教師，學者。發表學術研究論文280多篇。