STaR：通过缩放、平移与旋转的知识图谱嵌入
机器学习
2022-02-16 v1
摘要
双线性方法是知识图谱嵌入（KGE）中的主流方法，旨在为知识图谱（KG）中的实体与关系学习低维表示并完成缺失链接。现有工作大多寻找关系间的模式并有效建模以完成该任务。先前工作主要发现了非交换性等 6 种重要模式。尽管一些双线性方法成功建模了这些模式，它们忽视了同时处理 1-to-N、N-to-1 和 N-to-N 关系（或复杂关系），这损害了它们的表达能力。为此，我们整合了缩放，以及分别能解决复杂关系与模式的平移和旋转的组合，其中缩放是投影的简化。因此，我们提出了相应的双线性模型缩放平移与旋转（STaR），由上述两部分组成。此外，由于平移无法直接纳入双线性模型，我们引入平移矩阵作为等价形式。理论分析证明 STaR 能够同时建模所有模式并处理复杂关系，实验证明了其在常用链接预测基准上的有效性。
引用
@article{arxiv.2202.07130,
title = {STaR: Knowledge Graph Embedding by Scaling, Translation and Rotation},
author = {Jiayi Li and Yujiu Yang},
journal= {arXiv preprint arXiv:2202.07130},
year = {2022}
}