论文部分内容阅读
自从基于翻译的表示学习模型TransE被提出后，一系列模型对TransE进行改进和补充，如TransH、TransG等。然而，这类模型往往孤立学习三元组信息，忽略了实体和关系相关的描述文本、类别信息。为此，本文提出了TransATopic，该模型在学习三元组的同时有机融合了关系上丰富的描述文本信息，有效增强了知识图谱的表示效果。TransATopic一方面采用了基于主题模型和变分自编器的关系向量构建方法，根据关系上的主题分布信息将同一关系表示为不同的实值向量；另一方面将损失函数中的距离度量由欧式距离改进为更为灵活的马氏距离，实现向量不同维权重的自适应赋值。实验表明，相比TransE模型，TransATopic在链路预测和三元组分类等任务的各项指标上取得了显著的提升。