Knowledge Graph Embedding: A Survey of Approaches and Applications (1)

本文是对知识图谱相关文章阅读翻译，《Knowledge Graph Embedding: A Survey of Approaches and Applications》。

摘要

知识图谱（KG）嵌入是将KG的组成部分（包括实体和关系）嵌入连续向量空间，以简化操作，同时保留KG的固有结构。它可以有益于各种下游任务，如KG完成和关系提取，因此迅速获得了广泛关注。在本文中，我们系统地回顾了现有技术，不仅包括最新技术，还包括最新趋势。特别是，我们根据嵌入任务中使用的信息类型进行回顾。首先介绍了仅使用KG中观察到的事实进行嵌入的技术。我们描述了总体框架、具体的模型设计、典型的训练程序以及这些技术的优缺点。之后，我们将讨论除事实之外还包含其他信息的技术。我们特别关注实体类型、关系路径、文本描述和逻辑规则的使用。最后，我们简要介绍了KG嵌入如何应用于并有益于各种下游任务，如KG填充、关系提取、问答等。

1. 引言

近年来，知识图谱（KG）的构建和应用迅速增长。大量KG，如Freebase、DBpedia、YAGO和NELL已经被创建并成功应用于许多实际应用，从语义解析和命名实体消歧，到信息提取和问答。KG是由实体（节点）和关系（不同类型的边）组成的多关系图。每个边表示为形式的三元组（头部实体、关系、尾部实体），也称为事实，表示两个实体通过特定关系连接，例如（Alfredhichcock、DirectorOf、Psycho）。尽管在表示结构化数据方面有效，但这种三元组的潜在符号性质通常使KG难以操作。
为了解决这个问题，提出了一个称为知识图嵌入的新研究方向，并迅速获得了大量关注。关键思想是将KG的组件（包括实体和关系）嵌入到连续向量空间中，以简化操作，同时保留KG的固有结构。这些实体和关系嵌入可进一步用于有益于各种任务，如KG填充、关系提取、实体分类和实体解析。
大多数当前可用的技术仅基于观察到的