TorusE：李群上的知识图谱嵌入

知识图谱对许多人工智能（AI）任务都很有用。然而，知识图谱常常存在事实缺失。为了填充图谱，人们开发了知识图谱嵌入模型。知识图谱嵌入模型将知识图谱中的实体和关系映射到一个向量空间，并通过为候选三元组打分来预测未知三元组。TransE 是首个基于平移的方法，因其简单性和在知识图谱补全中的高效性而广为人知。它采用实体嵌入之间的差异表示其关系的原则。该原则看似非常简单，却能有效捕捉知识图谱的规则。然而，TransE 的正则化存在问题。TransE 强制实体嵌入位于嵌入向量空间中的一个球面上。这种正则化扭曲了嵌入，使其难以满足上述原则。该正则化也对链接预测的准确率产生了不利影响。另一方面，正则化很重要，因为没有它，实体嵌入会因负采样而发散。本文提出一种新颖的嵌入模型 TorusE，以解决正则化问题。TransE 的原则可在任意李群上定义。环面作为紧李群之一，可被选作嵌入空间以避免正则化。据我们所知，TorusE 是首个在实或复向量空间之外嵌入对象的模型，且本文首次正式讨论 TransE 正则化的问题。我们的方法在标准链接预测任务上优于 TransE、DistMult 和 ComplEx 等其他最先进的方法。我们表明 TorusE 可扩展至大规模知识图谱，且比原始 TransE 更快。