超越三元组:基于超关系知识图谱嵌入的链接预测，Beyond Triplets: Hyper-Relational Knowledge Graph Embedding for Link Prediction

题目： Beyond Triplets: Hyper-Relational Knowledge Graph Embedding for Link Prediction

摘要： 知识图谱(KGs)嵌入的是一个强大的工具,能够预测KGs缺失的链接。现有的技术通常将KG表示一个三元组集合,每个三元组(h, r, t)通过关系r将两个实体h和t联系起来,并从这样的三元组中学习实体/关系嵌入，同时保留这样的结构。然而,这种三元组的表示过分简化了存储在KG中的数据的复杂性,尤其是超关系的事实,其中每个事实不仅包含基本三元组(h r t),还有相关的键-值对(k、v)。尽管最近有一些技术试图通过将超关系事实转换为n元表示来学习这些数据（即一组没有三元组组的键值对）。由于它们不知道三元组结构，导致了次优模型，三元组结构是现代KGs的基本数据结构，保留了链接预测的基本信息。为了解决这个问题，我们提出了HINGE，一个超相关KG嵌入模型，它直接从KG学习超相关事实。HINGE不仅捕获了在三元组中编码的KG的主要结构信息，而且还捕获了每个三元组及其相关键-值对之间的相关性。我们在KG预测任务大量的实验显示了优越性。特别是，HINGE不仅始终优于仅从三元组学习的KG嵌入方法，而且始终优于使用n元表示从超关系事实学习的方法。