引言
知识图谱是一种用图模型来描述知识和建模事物之间关联关系的技术，知识图谱嵌入作为一种被广泛采用的知识表示方法，
其主要思想是是将知识图谱中的实体和关系嵌入到连续的向量空间中, 用来简化操作, 同时保留 KG 的固有结构. 可以使得多种下游任务受益, 例如 KG 补全和关系提取等. 首先对现有的知识图谱嵌入技术进行全面回顾, 不仅包括使用 KG 中观察到的事实进行嵌入的技术, 还包括添加时间维度的动态 KG 嵌 入方法, 以及融合多源信息的 KG 嵌入技术. 对相关模型从实体嵌入、关系嵌入、评分函数等方面进行分析、对比与总结. 然后简要介绍 KG 嵌入技术在下游任务中的典型应用, 包括问答系统、推荐系统和关系提取等. 最后阐述知识图谱嵌入面临的挑战, 对未来的研究方向进行展望。
论文题目:
知识图谱嵌入技术研究综述
作者信息:
张天成 , 田 雪 , 孙相会 , 于明鹤 , 孙艳红 , 于 戈 1
论文链接：
知识图谱嵌入技术研究综述 (jos.org.cn)
基于事实的知识图谱嵌入
语义匹配模型
最新知识图谱嵌入模型总结
动态知识图谱嵌入
融合多源信息的知识图谱嵌入
多源信息提供了知识图谱中三元组事实以外的信息, 能够帮助构建更加精准的知识表示, 仅使用事实进行知识图谱嵌入的方法忽略了蕴含在多源信息中的丰富知识, 例如: 实体类别信息、文本描述信息、关系路径等. 充分 利用这些多源信息对于降低实体与关系之间的模糊程度, 进而提高推理预测的准确度至关重要.
TKRL：融合实体层次类型信息的模型
TEKRL：引入注意力机制来捕获实体类别和三元组之间的潜在联系, 自动地学习实体的 不同类别对某种特定关系的不同重要程度, 解决了其他模型在使用实体类别信息时需要引入额外规则的问题.
联合知识图谱和实体描述文本的知识表示学习模型
融合实体描述的知识表示模型
知识图谱嵌入技术的应用
随着大规模知识图谱的兴起, 基于知识图谱的问答 (QA) 成为重要的研究方向, 引起了人们的广泛关注. 现实 世界的领域中通常包含数百万到数十亿个事实, 其庞大的数据量和复杂的数据结构使得用户很难访问其中有价值 的知识. 为了缓解这个问题, 提出了基于知识图谱的问答 (QA-KG)。
在过去的几年中, 利用知识图谱的推荐系统已被证明与最先进的协作过滤系统具有竞争力, 能有效地解决新 项目和数据稀疏性等问题[124−128] . 最近, KGE 的流行促进了利用 KGE 捕获实体语义进行推荐这一研究热点, 使用 KGE 已被证明对推荐系统有效.
关系提取 (relation extraction, RE) 是信息提取中的一项重要任务, 旨在根据两个给定实体的上下文来提取它 们之间的关系. 由于 RE 具有提取文本信息的能力, 并使许多自然语言处理应用受益 (例如: 信息检索, 对话生成, 问答等), 因此受到很多研究者的青睐。
知识图谱嵌入的挑战
探索知识图谱的内部信息和外部信息。
知识应用的复杂性。
未来方向
统一框架。
可解释性
可扩展性
自动构建
转自：“AI学术汇”微信公众号
如有侵权，请联系本站删除！
