Knowledge Graphs上的规则导向复合表示学习笔记

Rule-Guided Compositional Representation Learning on Knowledge Graphs

1.表示学习知识图谱（KG）是将KG的实体和关系嵌入到低维连续向量空间中。

通过Horn规则在语义层次上整合路径及其关联信息，在知识图谱构建阶段优化路径上的嵌入表示，并提升表示学习过程得以更加清晰地解释。

3.DPTransE协同构建了KG的隐含特征与显式特征之间的关联关系，并旨在实现精确且有别于其他类型的嵌入。

4. 路径增强模型：因为多跳路径能够揭示KG中看似未连接的实体之间的潜在关系，并引起了广泛关注；这些路径不仅能够揭示上述关系，并能够与现有的KG嵌入技术相结合。

该论文提出了一种创新性的基于规则与路径联合嵌入方案（RPJE）。该方案充分利用了逻辑规则的可解释性和准确性，并结合KG嵌入的一般化特性以及路径带来的补充语义结构。特别是首先从知识图谱中提取出不同长度（基于关系数量）且遵循Horn子句形式的知识库逻辑规律，并通过精细编码的方式进行表示学习。随后采用长度为2的知识库规律来进行路径构建，并明确利用长度为1的知识库规律建立各实体间的语义关联并约束其嵌入空间。在优化过程中综合考虑了各知识库规律的具体置信度值