知识图谱(KG)是一种用图模型来描述知识和建模事物之间关联关系的技术. 知识图谱嵌入(KGE)作为一 种被广泛采用的知识表示方法,其主要思想是将知识图谱中的实体和关系嵌入到连续的向量空间中,用来简化操作, 同时保留 KG 的固有结构.它可以使得多种下游任务受益,例如 KG 补全和关系提取等. 本文首先对现有的知识图谱嵌入技术进行全面回顾,不仅包括使用 KG 中观察到的事实进行嵌入的技术,还包括添加时间维度的动态 KG 嵌入方法, 以及融合多源信息的 KG 嵌入技术.对相关模型从实体嵌入、关系嵌入、评分函数等方面进行分析、对比与总结. 然后简要介绍 KG 嵌入技术在下游任务中的典型应用,包括问答系统、推荐系统和关系提取等.最后阐述知识图谱 嵌入面临的挑战,对未来的研究方向进行展望.

http://www.jos.org.cn/jos/article/abstract/6429

引言

知识图谱(Knowledge Graph,KG)作为人工智能的一个分支,引起了学术界和工业界的广泛关注,其构建与应用也得到了迅速发展.例如 Freebase[1] ,DBpedia[2] ,YAGO[3] ,NELL[4] ,Wikidata[5]等知识图谱已经被成功创建并 应用于许多现实世界应用,从语义分析[6,7]、命名实体消歧[8,9] ,到信息提取[10,11]和问答系统[12,13]等.知识图谱是以 现实世界的实体为节点,实体之间的关系为边的有向图.在这个图中,每个有向边连同其头实体与尾实体构成了 一个三元组,即(头实体,关系,尾实体),表示头实体与尾实体通过关系进行连接.尽管知识图谱在表示结构化数据 方面非常有效,但这种三元组的基本符号性质使 KG 难以操作[14] . 

为了解决这个问题,近年来提出了一个新的研究方向,称为知识图谱嵌入(Knowledge Graph Embedding, KGE)或知识表示学习(Knowledge Representation Learning, KRL),旨在将 KG 的组成部分(包括实体和关系)嵌入 到连续的向量空间中,以在简化操作的同时保留 KG 的固有结构.与传统的表示方法相比,KGE 为 KG 中的实体 和关系提供了更加密集的表示,降低了其应用中的计算复杂度.此外,KGE 可以通过度量实体和关系低维嵌入的 相似性来显式地捕获实体和关系之间的相似性. 

尽管研究者已提出多种模型来学习 KG 中的实体和关系表示,但是目前大多数可用的技术仍然仅根据知识 图谱中观察到的事实来执行嵌入任务.具体地说,给定一个 KG,首先在低维向量空间中表示实体和关系,并为每 个三元组定义一个评分函数以衡量其在该空间中的合理性.然后通过最大化观察到的三元组的总合理性来学 习实体和关系的嵌入.这些学习的嵌入还可以进一步用于实现各种任务,例如 KG 补全[15,16] ,关系提取[10,17] ,实体 分类[18,19] ,实体解析[18,20]等.由于在整个过程中仅要求学习的嵌入在每个单独的事实中兼容,因此对下游任务可 能没有足够的预测性[21,22] .近年来,越来越多的研究者开始进一步考虑利用其他类型的信息,例如实体类型 [23,24] ,文本描述[25-28] ,关系路径[29-31] ,甚至逻辑规则[32,33]来学习更多的预测嵌入. 

本文内容结构组织如下:第 1 节介绍相关工作调查与基本符号定义;第 2 节对仅使用 KG 中观察到的事实进 行嵌入的技术进行全面回顾,具体介绍基于距离的模型,语义匹配模型以及最新的 KGE 技术;第 3 节主要讨论了 融合时间信息的动态知识图谱嵌入技术,详细介绍 t-TransE、Know-Evolve、HyTE、TDG2E 等代表性的动态 KGE 方法;第 4 节归纳了除 KG 中观察到的事实以外的结合附加信息的 KGE 技术,例如实体类别、文本描述、 关系路径等.第 5 节介绍 KGE 技术在下游任务中的典型应用.第 6 节对 KGE 技术面临的挑战与未来研究方向 进行讨论.最后,第 7 节对全文工作进行总结.