摘要

在统计关系学习中，链接预测问题是自动理解大型知识库结构的关键。与以往研究类似，我们提出通过潜在因子分解来解决这一问题。然而，在本研究中，我们采用了复数值嵌入（complex valued embeddings）。复数嵌入的组合可以处理多种二元关系，包括对称关系和反对称关系。与当前最先进的模型如神经张量网络（Neural Tensor Network）和全息嵌入（Holographic Embeddings）相比，基于复数嵌入的方法更为简单，因为它仅使用了埃尔米特点积（Hermitian dot product），这是实向量标准点积的复数对应形式。我们的方法在空间和时间上均保持线性复杂度，因此可扩展到大型数据集，并且在标准链接预测基准测试中持续优于其他方法。