【ACL2020-斯坦福】低维双曲知识图谱嵌入，Low-Dimensional Hyperbolic KGE

知识图谱(KG)嵌入通过学习实体和关系的低维表示来预测缺失的事实。KGs通常表现出层次结构和逻辑模式，必须在嵌入空间中保留这些模式。对于层次数据，双曲线嵌入方法已经显示出高保真和精简表示的前景。然而，现有的双曲线嵌入方法并不能解释KGs中丰富的逻辑模式。在本文中，我们介绍了一类双曲线KG嵌入模型，该模型同时捕获层次模式和逻辑模式。我们的方法结合了双曲线反射和旋转，并注意到模型的复杂关系模式。在标准KG基准上的实验结果表明，我们的方法在低维平均倒数秩(MRR)方面比以前的基于欧几里德和双曲线的方法提高了6.1%。此外，我们观察到不同的几何变换捕获不同类型的关系，而基于注意的变换泛化为多个关系。在高维情况下，我们的方法可以得到最新的MRRs, WN18RR为49.6%，YAGO3-10为57.7%。