基于卷积神经网络的知识图谱补全方法研究

王维美 陈 恒,2 史一民 李冠宇*

1(大连海事大学信息科学技术学院 辽宁 大连 116026)2(大连外国语大学软件学院 辽宁 大连 116044)

0 引 言

知识图谱(Knowledge graph,KG)是种新型知识表示方法，其概念最早由谷歌公司提出，Google认为“things，not strings”，即对于搜索引擎来讲，世界中的各种物体不应该仅仅是string，而是具有实际含义的thing[1]。KG提供图结构化信息，成为智能问答、Web搜索、推荐系统和专家系统等智能应用程序的关键资源。随着知识图谱的兴起，出现了很多大型知识图谱，如Freebase、DBpedia，但这些知识图谱并不完备，知识图谱中实体间隐含的关系没有被充分挖掘，补全三元组成为亟需解决的问题。近几年，很多工作利用卷积神经网络表示知识图谱中实体和关系，并进行知识图谱补全，从而完善知识图谱。

知识图谱是一种描述真实世界客观存在的实体、概念及它们之间关联关系的语义网络[2]，是结构化的语义知识库[3]，其中实体使用节点代替，关系用边表示，表示形式为三元组(h,r,t)，即(头实体，关系，尾实体)。随着知识图谱规模越来越大，三元组数据稀疏问题愈加严重。知识图谱的表示学习技术将三元组中实体和关系表示成向量，在低维向量空间计算实体和关系的语义联系，解决独热学习维度过高和无法有效表示两个实体的问题。知识图谱表示学习面向知识图谱的实体和关系进行学习，该技术可以有效缓解数据稀疏问题，使知识图谱更加完备。

目前一些知识表示学习算法不能有效解决知识图谱存在的数据稀疏问题，如早期的TransE嵌入模型在处理复杂关系上性能降低。……