摘要

在统计关系学习中，知识图谱补全涉及自动理解大规模知识图谱（即带有标签的有向图）的结构，并预测缺失的关系（即带有标签的边）。当前最先进的嵌入模型提出了在建模表达能力和时间和空间复杂度之间的不同权衡。我们通过使用复数值嵌入来调和表达能力和复杂度，并探讨了这种复数值嵌入与酉对角化的联系。理论上，我们验证了我们的方法，并证明所有实数方阵——因此所有可能的关系/邻接矩阵——都是某个酉对角化矩阵的实部。这一结果为方阵分解的许多其他应用打开了大门。基于复数嵌入的方法相对简单，因为它仅涉及埃尔米特点积（Hermitian dot product），这是实向量标准点积的复数对应形式，而其他方法则通过越来越复杂的组合函数来提高其表达能力。所提出的复数嵌入方法可扩展到大型数据集，因为其在空间和时间上都保持线性复杂度，同时在标准链接预测基准测试中持续优于其他方法。