9、知识图谱嵌入学习新策略：推荐场景应用

知识图谱嵌入学习新策略：推荐场景应用

在知识图谱嵌入（KGE）学习领域，为了提升推荐任务的性能，提出了一些新的策略。本文将围绕KGE模型、训练策略、评估指标以及相关实验结果展开介绍。

1. KGE模型简介

• DistMult ：它是一种语义匹配模型，其评分函数为 (f(h, r, t) = \langle e_h, W_r, e_t \rangle)，与最早的语义匹配模型RESCAL类似，但将关系矩阵 (W_r \in R^{d×d}) 限制为对角矩阵。由于DistMult的评分函数具有交换性，所有关系都被视为对称关系，不过在大多数情况下，它仍能达到最先进的性能。
• ComplEx ：同样是语义匹配模型，它通过使用复数值向量来表示实体和关系（(e_h, e_r, e_t \in C^d)）扩展了DistMult。因此，ComplEx比DistMult更能对反对称关系进行建模。其评分函数使用Hadamard积：(f(h, r, t) = Re (e_h \odot e_r \odot e_t))，其中 (e_t) 表示 (e_t) 的共轭。

2. 训练KGE的新专业化策略

为了训练上述KGE模型，考虑了以下两种策略，这两种策略都包含预训练步骤，即先在整个图上训练一个通用的KGE模型：
- B - RNS（基线随机负采样） ：使用传统的随机负采样（RNS）在整个图上训练通用KGE模型，作为基线。
- S - RNS（专业化随机负采样训练） ：在