彭晏飞，张睿思，王瑞华，郭家隆

辽宁工程技术大学 电子与信息工程学院，辽宁 葫芦岛125100

知识图谱（knowledge graph，KG）用结构化的形式描述客观世界中概念、实体及其关系，它将互联网的信息表达成更接近人类认知世界的形式，提供了一种更好地组织、管理和理解互联网海量信息的能力[1]。知识图谱以三元组的形式（头实体，关系，尾实体）存储知识和事件，以网络的形式作为展示，在网络中每个节点代表实体，节点之间相互连接的边代表关系。目前一些大规模知识图谱NELL（never-ending language learner）[2]、Wikidate[3]、YAGO（yet another great ontology）[4]等被广泛应用于各种自然语言处理任务中，例如语义搜索[5]、智能问答[6-7]、推荐系统[8-9]等。

尽管知识图谱中有着大量的实体、关系、三元组，但是现有的大部分知识图谱都是不完整的，具体体现在一些实体之间缺少对应的关系，一些头实体和关系间缺少对应的尾实体。知识图谱补全任务（knowledge graph completion，KGC）旨在学习知识图谱中现有的实体关系三元组，进而推断出知识图谱缺失的实体或关系。

知识图谱嵌入（knowledge graph embedding，KGE）旨在将实体和关系嵌入到潜在的低维数字表示中[10]。在过去几年，KGE 方法被证明在KGC 任务上是有效的[11-12]，并且许多KGE方法已经应用于KGC任务，其中包括TransE（translating embedding）[13]、ComplEx（complex embeddings）[14]和ConvE（convolutional 2D knowledge graph embeddings）[12]等方法。但是目前的这些方法都假设KG包含足够的实体和关系数据，然而在KG 中少样本关系数据是广泛存在的，例如Wikidate 中大约有10%的关系只有不超过10 个三元组实例[3]。此外，在实际应用的过程中，社交媒体或推荐系统产生的KG，会随着时间的流动进行动态更新，更新后的新关系通常只有少量的三元组实例。……