基于知识图上逻辑查询的自监督双曲面表示

知识图(KGs)是网络搜索、电子商务、社交网络和生物学等多个现实应用中的普遍信息存储结构。由于其规模与复杂性,对 KGs 的查询仍是一个基础且具有挑战性的问题。解决该问题的有前景方法包括将 KG 单元(如实体与关系)嵌入欧氏空间,使得查询嵌入包含与其结果相关的信息。然而,这些方法未能捕捉图中实体的层次本质与语义信息。此外,多数方法仅利用多跳查询(可由简单平移操作建模)来学习嵌入,而忽略了更简单查询的交与并等更复杂操作。为处理此类复杂操作,本文将 KG 表示学习表述为利用 KG 上平移、交与并查询的自监督逻辑查询推理问题。我们提出 Hyperboloid Embeddings (HypE),一种新颖的自监督动态推理框架,其利用 KG 上的正一阶存在查询,将实体与关系学习为 Poincaré 球中的双曲面表示。HypE 将正一阶查询建模为几何平移、交与并。对于现实数据集上的 KG 推理问题,所提 HypE 模型显著优于当前最优结果。我们还将 HypE 应用于流行电子商务网站产品分类体系以及层次化组织的网络文章上的异常检测任务,并展示出相较现有基线方法的显著性能提升。最后,我们在 Poincaré 球中可视化所学 HypE 嵌入,以清晰解释并理解表示空间。