陈新元，谢晟祎，陈庆强，刘 羽

(1. 闽江学院 计算机与控制工程学院，福建 福州 350100；2. 福州墨尔本理工职业学院 信息工程系，福建 福州 350100；3. 福建农业职业技术学院 实验实训中心，福建 福州 350300；4. 福建工程学院 信息科学与工程学院，福建 福州 350100；5. 福州墨尔本理工职业学院 现代教育技术中心，福建 福州 350100)

0 引言

知识库(KB)[1]是有效事实三元组的集合，三元组由头实体、关系和尾实体组成，表示为(h，r，t)，h和t分别对应头、尾实体，r表示头、尾实体之间的关系。知识库广泛应用于语义搜索引擎[2]、问题解答技术[3-4]、专家系统和社交网络分析等领域[5]。然而，现有知识库存在大量缺失事实，即三元组不完整，缺少实体或关系[6]。

知识图谱补全[7]旨在解决上述问题，通过提取局部模式[8]或语义特征，用已知信息生成新的有效事实，经典模型如TransE[9]和ConvE[10]。实体之间的关系依照关系基数，可以分为一对一(1-to-1)、多对一(M-to-1)、一对多(1-to-M)和多对多(M-to-M)四种关系类别，简单方法在1-to-1关系上往往就可获得较好的建模结果，例如基于层次结构的概念树和词嵌入空间中矢量表示思想而设计的TransE模型；而对M-to-1，1-to-M和M-to-M等复杂关系，目前尚无统一的建模标准。

近期许多嵌入模型的研究通过贝叶斯扩展或张量/矩阵分解等方法[11]增强算法框架的表达能力，然而，表达能力的提高往往意味着更高的建模复杂度和计算开销，并带来一些诸如欠拟合(多个局部最小值)或过拟合等新问题。因此，部分算法，如TransH[12]尝试在复杂性、性能和可伸缩性之间取得平衡，并在较大规模数据集上测试[13]；……