CORE：面向知识图谱补全的循环正交体关系嵌入
机器学习
2026-05-13 v1
摘要
知识图谱补全（KGC）旨在通过将实体和关系映射到连续表示空间中，自动推断出多关系数据中缺失的事实。近期的基于区域的嵌入模型在通过将关系表示为几何区域来捕捉复杂逻辑模式方面显示出巨大的潜力。然而，这些模型在优化过程中不可避免地受到绝对边界约束的限制。相反，在没有此类约束的情况下，关系区域会无限扩张。为解决这一局限性，我们提出了一种新的KGC模型——CORE（Cyclic Orthotope Relation Embedding），即将实体和关系嵌入到无边界的环面流形上。CORE将关系表示为环面流形上的循环正交体，允许区域在空间边界处无缝地包裹，从而确保梯度的平滑传递。此外，引入了自适应宽度正则化，以防止关系区域无条件地扩张。理论分析证明，CORE能够捕捉各种复杂的关系模式，如子sumption和交集。广泛的实验在四个基准数据集上表明，CORE在密集语义环境中的链接预测准确率显著提高，性能具有高度的竞争力。
引用
@article{arxiv.2605.11159,
title = {CORE: Cyclic Orthotope Relation Embedding for Knowledge Graph Completion},
author = {Yingqi Zeng and Luying Wang and Huiling Zhu},
journal= {arXiv preprint arXiv:2605.11159},
year = {2026}
}