TransREF：一种改进的基于邻域信息的知识表示模型

来源：电子测量技术杂志2023年第21期北京时间：

作者：王永康，艾山·吾买尔，顾亚东，何江涛

单位：1.新疆大学软件学院 乌鲁木齐 830091; 2.新疆大学信息科学工程学院 乌鲁木齐 830046

摘要：近年来，知识表示学习在智能推荐、智能问答，以及智能检索方面发挥了关键性作用，受到了广泛关注。知识表示学习旨在借助实体与关系的低维嵌入，将语义信息向量化，通过数学公式进行知识的推理。在众多知识表示学习模型中，TransE由于评分函数参数较少、计算复杂度低、计算效率高，被认为是最有前途的模型。然而，TransE在处理除一对一以外的复杂关系时，存在一定的局限性。为了解决这个问题所带来的困扰，提高知识嵌入的质量，本文提出了一种改进的基于翻译模型的知识表示模型TransREF。首先，借助关系矩阵投影，实现对实体和关系的嵌入；其次在原有向量的基础上加入关系邻域，增强模型的学习能力。在模型被训练期间，对于语义相似度高的实体，通过概率法实现对头实体与尾实体的替换，进而生成的较高质量的负例三元组，并且在选择关系邻域节点时采用五点随机法。最后，选择英文词典WordNet 的子集 WN18和Freebase子集FB15K上进行相关链接预测实验，之后在3个公开数据集WN11、FB13、FB15K开展三元组分类的实验。结果表明，相较于TransE、TransH，TransREF在 MeanRank、Hits@10，以及ACC指标上都有较好的性能改善，证明了TransREF的有效性。

关键词：知识表示;关系矩阵投影;关系邻域;链接预测;三元组分类

基金资助：新疆维吾尔自治区自然科学基金（2021D01C081）项目资助