张良 石珺

东南大学计算机科学与工程学院 南京 211189

引言

近年来，知识图谱越来越受到人工智能领域的广泛关注，各类知识图谱在反欺诈、智能问答、人物分析，旅游、医疗等垂直领域中发挥了重要作用[1-5]。知识图谱旨在刻画客观世界中的实体及其之间的关系，其中实体表示成知识图谱中的节点，实体之间的关系对应着知识图谱中各实体之间的连线，可以看成一种有向图形式的数据结构。知识图谱不仅能清晰地展现各实体间原有的关系，更能通过推理计算等方法来获得数据之间潜在的联系[6]。由于知识图谱特别是大规模知识图谱包含着非常复杂的结构化信息，以往在处理的时候需要专门设计相应的图算法来实现知识图谱的计算和存储，这样的方法复杂度高，可移植性差，效率上往往不能得到保证[7]。

随着深度学习技术的发展，知识图谱表示学习方法给这一问题的解决带来了契机。深度学习在处理大规模复杂数据时有着一定的优势，而现代社会的知识也随着网络信息的暴涨呈几何指数的增长，对应着知识图谱的规模越来越大，也越来越难以处理。为了高效地对大规模知识图谱进行计算处理，知识表示学习方法被提了出来[8]。知识表示学习方法是将实体与关系投影到统一的低维向量空间中，利用向量对实体和关系进行语义计算。知识表示学习在语义搜索，智能问答以及知识图谱补全等方面有着广泛的应用。……