9、知识图谱嵌入学习的新策略：推荐场景应用

知识图谱嵌入学习的新策略：推荐场景应用

在知识图谱嵌入（KG Embeddings）的学习中，为了在推荐任务中取得更好的效果，我们需要探索新的策略。本文将介绍几种新的训练策略，并通过实验验证它们的有效性。

1. 语义匹配模型介绍

• DistMult ：这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)。它与最早的语义匹配模型 RESCAL 类似，但将关系矩阵 (W_r \in R^{d \times d}) 限制为对角矩阵。由于其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，DistMult 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 (e_h, e_r, e_t \in C^d) 来表示实体和关系，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. 知识图谱嵌入训练的新策略

为了训练上述的知识图谱嵌入（KGE）模型，我们考虑以下两种策略：
- 预训练 ：与通用的链接预测任务不同，对于下游推荐任务，训练阶段应更多地关注目标关系。但在专门训练之前，KGE 模型仍需要考虑所有实体和关系进行训练，以利用知识图谱中的所有可用信息。因此，两种策略