可模組化語義分層的KG embedding for relation/link completion

1. Learning Hierarchy-Aware Knowledge Graph Embeddings for Link Prediction

知識圖譜補全的方法可分為三種：

1. 基于距離的模型
2. 雙線性模型
3. 神經網絡模型

本文屬于第一種，基于距離的模型，這類模型可以模組化互逆，對稱與複合等不同的關系式，但是難以對KG的語義分層進行模組化。

故本文提出一種針對語義分層的問題，把語義等級樹建構成極坐标系（polar coordinate），并對模長（非同等級實體）和角度（同等級實體）進行模組化。最終的距離函數：

實驗證明過程：

2.Rule-Guided Compositional Representation Learning on Knowledge Graphs

本文使用實體間的路徑進行學習

1. 使用規則挖掘工具如AMIE從KG中自動抽取規則，共分成兩類規則：長度為1和2的規則
2. 挖掘KG間實體的路徑，使用PtransE自動挖掘h和t之間的路徑p
3. 路徑+規則做實驗組合表征學習

Embedding 的評估名額：MR，MRR，[email protected]，3，10.。

實驗證明過程：