论文部分内容阅读
知识图谱是客观世界信息的结构化表示,应用非常广泛,围绕知识图谱的问题与应用有很多相关的任务。知识图谱补全,又称为链接预测,旨在预测知识图谱中缺失的边;路径查询回答旨在给出知识图谱上查询的正确答案;规则挖掘旨在根据知识图谱中已有的事实去挖掘易于理解的规则。完成这些任务需要模型有较好的推理能力。知识表示学习,旨在为知识图谱中的实体和关系学习低维嵌入,是处理上述任务的有效方法,得到了广泛的关注。知识表示学习模型的推理能力很大程度上依赖于其对知识图谱中的各种关系模式建模的能力。知识图谱中主要包括三种关系模式:对称/反对称关系模式、逆关系模式和组合关系模式。组合关系模式又可以分为可交换的组合关系模式和不可交换的组合关系模式。然而,目前绝大多数模型都不能建模不可交换的组合关系模式。为了解决这个问题,本文提出基于三维空间旋转的模型Rotate3D,其将实体映射到三维空间,然后将关系表示为头实体到尾实体的旋转。利用三维空间中的旋转不满足交换律这一性质,Rotate3D可以自然地保留关系复合的顺序。理论分析表明,Rotate3D可以建模知识图谱中所有主要的关系模式,这为Rotate3D的推理能力提供了保障。本文在链接预测、路径查询回答以及规则挖掘任务上验证Rotate3D模型的有效性。对于链接预测和路径查询回答任务,在典型的公开数据集上的实验结果显示Rotate3D的表现优于已知的最先进的模型,证明了Rotate3D优越的推理能力。规则挖掘实验结果表明,基于Rotate3D的规则挖掘算法可扩展性强,可以挖掘到合理的和高质量的规则。此外,为了更好地理解模型,本文基于理论分析的结果,对模型推理三种主要的关系模式通过可视化、直观示例和定量分析进行了案例研究。案例研究表明Rotate3D可以有效地建模三种主要的关系模式,特别是在组合关系模式的建模上有显著的改进。