【NeurIPS 2021】基于投影变换建模传递关系的知识图谱表示学习

知识图谱表示学习模型通过学习知识图谱中实体和关系的表示，用于预测实体之间缺失的链接（关系），而这些模型的性能很大程度上受模型推断不同关系模式能力的影响。目前常见的关系模式有对称、非对称、互逆、组合和传递等。尽管现有模型已经能够对这些关系模式中的大部分进行建模，但当前模型还未能支持建模传递关系性这一常见的关系模式。

在本文中，我们首先从理论上证明了传递关系可以用一种通用的投影变换进行建模。然后我们提出了一种能够将投影变换和关系的旋转结合在一起的知识表示模型，Rot-Pro。我们证明了 Rot-Pro 可以推断出上述所有关系模式。实验结果表明，Rot-Pro 模型能够有效地学习传递模式，并在包含传递关系的数据集中展现了良好的链接预测结果。

论文标题：

Rot-Pro: Modeling Transitivity by Projection in Knowledge Graph Embedding

论文链接：

https://www.zhuanzhi.ai/paper/ec1f2f9f25bcd85136ad874e497ffd80