统一嵌入模型与观测特征相结合的知识图谱补全

知识图谱对许多人工智能任务都有用，但常常存在数据缺失。因此，需要一种补全知识图谱的方法。现有方法包括嵌入模型、路径排序算法（Path Ranking Algorithm）和规则评估模型。然而，这些方法均有局限。例如，嵌入模型中所有信息混杂且难以解释，而传统规则评估模型基本较慢。在本文中，我们提供了对各种方法的整合视角并将其结合以弥补各自局限。我们首先统一了最先进的嵌入模型，如ComplEx和TorusE，将其重新解释为基于平移模型的变体。然后，我们表明这些模型利用路径进行链接预测，并基于该思想提出一种规则评估方法。最后，我们结合嵌入模型与观测特征模型来预测缺失三元组。这是可能的，因为所有这些模型都利用路径。我们还使用标准数据集进行了包括链接预测任务在内的实验来评估我们的方法与框架。实验表明，我们的方法比传统方法能更快地评估规则，并且我们的框架在链接预测方面优于最先进的模型。