陈 恒，祁瑞华，朱 毅，杨 晨，郭 旭，王维美

1.大连外国语大学 语言智能研究中心，辽宁 大连 116044

2.大连海事大学 信息科学技术学院，辽宁 大连 116026

通常，大多数知识图谱KG（Knowledge Graph）表示为多关系图，它是事实三元组的集合。知识图谱中的节点代表实体，边代表实体间关系[1]。现实世界大量的知识可以简单地表示为实体和实体间的关系。KG以结构化的方式描述现实世界中的概念、实体及其链接关系，在个性化推荐[2]、智能搜索[3]、智能问答[4]和自然语言处理[5]任务中有非常重要的应用价值。虽然知识图谱包含了数以千万计的实体以及数以亿计的三元组事实，但是KG 中数据仍然大量缺失，即缺少许多有效的三元组[6-7]。例如，在大型知识图谱Freebase 中，缺少出生日期的人占70%，缺少国籍信息的人占75%[8]。因此，许多研究工作致力于知识图谱补全或链接预测任务，即判断一个缺失三元组是否有效[9-10]。许多嵌入模型学习实体和关系的矢量或矩阵表示，以获得较为先进的链接预测结果。TransE[11]将关系看作头实体到尾实体的平移，实体和关系由k维嵌入向量表示。此外，TransH[12]、TransR[13]等模型分别扩展并改进TransE。上述模型首先将实体与关系映射为低维嵌入，然后通过打分函数确定任意一个三元组真实存在的概率。这些方法已被证明是可扩展和有效的[14-15]。

在这些嵌入模型中，TransE、DistMult[16]和RotatE[15]可以对知识图谱中的关系模式进行建模和推理。受文献[16]启发，TransE 将关系视为从头部实体到尾部实体的转移，可以建模反转关系和组合关系。DistMult 和ComplEx[17]能分别推理和建模对称关系和反对称关系。……