ProjE：用于知识图谱补全的嵌入投影

随着每天产生的大量新信息，确定知识图谱中信息的有效性并填补其缺失部分，对许多研究人员和从业者而言是至关重要的任务。为应对这一挑战，已开发出多种使用低维图嵌入的知识图谱补全方法。尽管研究者们持续使用日益复杂的特征空间来改进这些模型，但我们表明，对底层模型架构的简单改变就能超越现有最优模型，而无需复杂的特征工程。在这项工作中，我们提出了一个名为 ProjE 的共享变量神经网络模型，它通过学习知识图谱实体和边的联合嵌入，并对标准损失函数进行细微但重要的修改，来填补知识图谱中的缺失信息。由此，ProjE 的参数规模小于 15 种现有方法中的 11 种，同时在标准数据集上的性能比当前最佳方法高出 $37\%$。我们还通过一项新的事实核查任务表明，ProjE 能够准确判定许多陈述性语句的真实性。