知识图谱-KGE(Knowledge Graph Embedding)：概述【将知识图谱中的实体、关系进行Embedding表示】

一、KGE简介

知识图谱嵌入(Knowledge Graph Embedding, KGE)学习知识库中的实体和关系的Embedding表示，是语义检索、知识问答、推荐等众多应⽤的基础研究。

在具体了解KGE之前，我们先来看知识图谱是什么，为什么又要做知识图谱嵌入呢。

如下图所示，知识图谱是由大量的事实三元组组成，如（英国, 首都, 伦敦）便是真实世界中的知识，可用 $(h,r,t)$ 进行表示，其中 $h,t$ 表示头尾实体，$r$ 表示关系。但我们知道，真实世界中知识是无限增长的，而知识图谱却不能包含真实世界中的所有知识，因此需在知识库中进行知识补全，或者称为链接预测。

如何进行链接预测呢？一个可行的方法便是将实体和关系进行Embedding表示，类似于Word2Vec，将字或词表示成Embedding信息。然后根据实体和关系的Embedding信息进行预测，比如利用头实体和关系去预测尾实体，或者利用尾实体和关系去预测头实体。当然，Embedding信息也可应用到其他领域，比如知识问答、文本信息增强、语义检索等。

二、KGE模型

通过上面介绍，我们知道KGE是将知识库中的实体和关系进行Embedding表示，但具体有哪些方法呢？根据我个人的理解，将模型规划为：

• 翻译(TransE, TransH, TransR, etc)
• 双线性(RESCAL, DisMult, ComplEx, etc)
• 双曲几何(Poincare, MuRE, etc)
• 神经网络(ConvE, CapsE, etc)
• 旋转(RotatE, QuatE, DihEdral, etc)

1、翻译模型

---

---

---

参考资料：
知识图谱表示学习及应用
知识图谱嵌入(KGE)：方法和应用的综述
知识图谱嵌入(KGE)主流模型简介
GitHub: xinguoxia/KGE