中文题目：通过头实体和关系子空间之间的相互作用和标量融合学习尾实体的表示

论文题目：Learning Representations of Tail Entities via Interactions and Scalar Fusions among Subspaces of Head Entities and Relationships

录用期刊/会议：CAC2024 （CAA A类会议）

录用时间：2024.9.20

作者列表：

1) 吴芃鲯 中国石油大学（北京）人工智能学院 控制科学与工程 研22级

2) 刘建伟 中国石油大学（北京）人工智能学院 自动化系 教师

摘要:

在过去的几十年里，针对链式预测和知识图谱补全任务的算法得到了广泛研究。然而，传统基于几何空间嵌入的方法面临诸如高维度、高计算复杂度和扩展性差等挑战。为了解决这些问题，我们提出了一种新模型：基于头实体和关系子空间交互与标量融合的尾实体表示（RTIFS）。该模型基于一种新的假设，即头实体、关系与尾实体三元组之间的空间关系可以通过嵌入与抽象来获取尾实体的信息。实验表明，与最新的八个先进基线模型相比，RTIFS 在性能上具有竞争力，并且降低了嵌入维度。

背景与动机:

知识图谱（Knowledge Graphs，KGs）近年来在自然语言处理、数据挖掘和推荐系统等领域得到了广泛应用。然而，现有的基于几何空间嵌入和神经网络的方法面临高维度嵌入、高计算复杂度和可扩展性不足等挑战。为解决这些问题，本研究旨在提出一种高效、可扩展的新模型，以优化知识图谱链式预测和补全任务。

主要内容:

本文提出了一种名为 RTIFS 的新模型。RTIFS 基于新的假设，认为尾实体的信息来自于头实体和关系对象子空间的交互。通过编码，将头实体和关系映射到不同的局部子空间，并通过逐元素乘积提取交互信息，从而生成尾实体的全局表示。模型在 FB15k-237 和 WN18RR 数据集上进行了实验，与八个先进模型进行对比，结果显示 RTIFS 在保持较低嵌入维度的同时，性能仍然非常优越。

图1 RTIFS的主要架构

结论:

为了解决当前知识图谱链式预测任务中模型的高复杂度、高嵌入维度和扩展性差的问题，我们提出了基于多空间映射的 RTIFS（Revised Triple Information Fusion and Simplification） 模型。RTIFS 引入了一种关于三元组对象信息空间关系的新假设，通过优化计算效率，在低维嵌入的情况下实现了与最先进模型相当的性能。实验验证了多空间映射方法的有效性，并为三元组信息的空间关系提供了新的见解。未来的研究应侧重于解码器的优化、正则化方法以及头实体与关系信息的集成。

作者简介:

刘建伟，教师，学者。发表学术研究论文280多篇。