宋浩楠，赵 刚，王兴芬

北京信息科技大学 信息管理学院，北京 100192

随着知识图谱相关技术的快速发展，各种大规模的知识图谱被构建出来并广泛服务于各个领域。例如Freebase[1]、DBpedia[2]、NELL[3]等知识图谱都为研究和应用提供了巨大数据支撑。但是，无论是自动化构建或人工构建的通用知识图谱，还是自动化构建或人工构建的领域知识图谱，绝大多数都存在一定程度的不完备问题[4]，知识图谱中存在大量的实体和关系缺失。知识图谱补全技术便是为了应对实体和关系缺失而出现，该技术的最主要方法就是知识推理[5]。

近年来，基于知识表示学习推理和基于关系路径推理等研究方法，已成为知识推理研究的热点。知识表示学习方法（TransE[6]、TransH[7]等）因其具有较好的效率和性能，所以被广泛应用于知识推理相关任务中，该类模型将知识图谱中的实体和关系映射到低维向量空间，并在此空间中进行计算完成推理；关系路径推理方法作为一种适用于大规模知识图谱的推理方法引起关注和研究，其主要思想是：在知识图谱中充分挖掘和利用实体间多步关系，组成路径信息从而完成知识推理。而知识表示学习和关系路径相融合的方法因其同时具备以上两种优势，因此得到广泛的研究和利用。

尽管如此，现阶段知识图谱补全研究中仍存在可解释性差、大规模知识推理效率和准确率较低的问题，特别是推理的可解释性[8]逐渐受到领域研究者的关注。针对这类问题，本文提出了一种将知识表示和深度强化学习（Reinforcement Learning，RL）相结合的方法RLPTransE。……