知识图谱中基于二面体群的关系嵌入

链接预测对于不完整知识图谱在下游任务中的应用至关重要。作为一类有效的链接预测方法，嵌入方法试图学习实体和关系的低秩表示，使得其中定义的双线性形式成为性能良好的评分函数。尽管取得了成功，但现有的双线性形式忽略了对关系组合的建模，导致知识图谱推理缺乏可解释性。为弥补这一不足，我们提出了一种名为DihEdral的新模型，其名称源于二面体对称群。该新模型学习能够天然捕获关系组合的知识图谱嵌入。此外，我们的方法对由离散值参数化的关系嵌入进行建模，从而大幅缩小了解空间。实验表明，DihEdral能够捕获所有期望的性质，如（斜）对称性、逆元性和（非）阿贝尔组合，并且性能优于现有的基于双线性形式的方法，与ConvE等深度学习模型相当或更优。