SMART：面向知识图谱的关系感知几何表示学习
机器学习
2025-07-18 v1 人工智能
摘要
知识图表示学习方法提供了将符号知识（以知识图 (KG) 中的三元组形式）映射到特征向量之间的方式。知识图嵌入 (KGE) 模型通常将 KG 中的关系表示为几何变换。目前的前沿 (SOTA) KGE 模型源自基本几何变换 (EGTs)，如平移、缩放、旋转和反射，或其组合。这些几何变换使模型能够有效保留 KG 的特定结构和关系模式。然而，当前 EGTs 的使用仍不足以考虑关系特定的变换。尽管近期模型尝试以不同方式组合 SOTA 基线模型，但这些基线仅使用单一或复合版本的几何变换来表示所有关系。在本文中，我们提出了一个评估每个关系与不同几何变换匹配程度的框架。基于此排名，该模型可以：(1)为每个关系分配最佳匹配变换，或 (2)使用多数投票选择一种变换类型适用于所有关系。即，该模型通过注意力机制在低维向量空间中学习单个关系特定 EGT。此外，我们利用关系与 EGTs 之间的相关性（在低维中学习），用于在高维向量空间中的关系嵌入。我们通过在三个基准 KG 以及一个真实世界金融 KG 上的全面评估展示了模型的有效性，性能相当于领先模型。
引用
@article{arxiv.2507.13001,
title = {SMART: Relation-Aware Learning of Geometric Representations for Knowledge Graphs},
author = {Kossi Amouzouvi and Bowen Song and Andrea Coletta and Luigi Bellomarini and Jens Lehmann and Sahar Vahdati},
journal= {arXiv preprint arXiv:2507.13001},
year = {2025}
}