将字面量融入知识图谱嵌入

知识图谱除了实体及其关系之外，还包含其他重要元素：字面量。字面量编码了实体的一些有趣属性（例如身高），这些属性无法仅由实体间的链接所刻画。现有大多数基于嵌入（或隐特征）的知识图谱分析工作主要关注实体间的关系。在本工作中，我们研究了将字面量信息融入现有链接预测方法的效果。我们提出的方法名为 LiteralE，是一种可插入现有隐特征方法的扩展。LiteralE 使用可学习的参数化函数（如简单的线性或非线性变换，或多层神经网络）将实体嵌入与其字面量信息相融合。我们基于 LiteralE 扩展了若干流行的嵌入模型，并在链接预测任务上评估了它们的性能。尽管简单，LiteralE 被证明是将字面量信息融入现有基于嵌入的方法的有效途径，在不同标准数据集上提升了其性能，我们为这些数据集补充了字面量并作为测试基准以供进一步研究。