【知识图谱】知识图谱嵌入模型简介

来自：MIRA Lab

知识图谱 (Knowledge Graphs)
是大规模语义网络知识库，采取符号化的知识表示方式，利用三元组来描述具体的知识，并以有向图的形式对其进行表示和存储，具有语义丰富、结构友好、易于理解等优点。由于在表达人类先验知识上具有优良的特性，知识图谱近年来在自然语言处理、问答系统、推荐系统等诸多领域取得了广泛且成功的应用。

 图1：知识图谱示意图

然而，知识图谱通常存在链接缺失问题，这限制了知识图谱在相关下游任务中的应用。为解决该问题，知识图谱补全任务应运而生。知识图谱补全旨在根据知识图谱中已有事实推断出新的事实，从而使得知识图谱更完整。

知识图谱嵌入 (Knowledge Graph Embedding) 是解决知识图谱补全问题的重要方法之一，它通过将知识图谱中的实体 (Entity)
和关系 (Relation) 嵌入到连续向量空间，从而在方便计算的同时保留知识图谱中的结构信息。知识图谱嵌入模型大致可以分为三类：

• 基于距离的模型 (Distance-based Models)

• 双线性模型 (Bilinear Models)

• 神经网络模型 (Neural Network Models)

本文将首先简要介绍知识图谱补全任务，然后回顾总结各类知识图谱嵌入模型，最后就模型的统一评测进行补充说明。

知识图谱补全任务

符号定义

知识图谱通常