通过联合嵌入实例与本体概念实现知识库的通用表示学习

许多大规模知识库同时表示知识图谱（KGs）的两种视图：用于抽象和常识概念的本体视图，以及从本体概念实例化而来的特定实体的实例视图。然而，现有的 KG 嵌入模型仅专注于表示其中一种视图。在本文中，我们提出了一种新颖的双视图 KG 嵌入模型 JOIE，旨在产生更好的知识嵌入并支持依赖多视图知识的新应用。JOIE 采用跨视图和视图内建模，从知识库的多个侧面进行学习。跨视图关联模型被学习用于桥接本体概念与其对应实例视图实体的嵌入。视图内模型被训练用于在独立的嵌入空间中捕获实例和本体视图的结构化知识，并针对具有层级的本体启用了层级感知编码技术。我们探索了这两个模型组件的多种表示技术，并研究了 JOIE 的九种变体。我们的模型在由大量实例及通过（少量）跨视图链接连接的对应本体概念组成的大规模知识库上训练。公开数据集上的实验结果表明，JOIE 的最佳变体在实例视图三元组预测任务以及本体视图 KG 上的本体填充方面显著优于先前的模型。此外，我们的模型成功地将 KG 嵌入的使用扩展到实体类型标注，并取得了有前景的性能。