摘要

知识图谱是大规模事实数据库的图形表示，通常存在不完整性问题。推断实体（节点）之间缺失的关系（链接）是链接预测的任务。尽管ConvE是一种最新的链接预测方法，通过实现卷积神经网络从连接的主题和关系向量中提取特征，其结果令人印象深刻，但该方法缺乏直观性和理解度。我们提出了一种超网络架构，该架构生成简化的特定关系卷积滤波器，这些滤波器（i）在标准数据集上超越了ConvE和所有先前的方法；并且（ii）可以被表述为张量分解，从而纳入到已建立的链接预测因子分解模型家族中。因此，我们证明了卷积仅仅提供了一种方便的计算手段来引入稀疏性和参数绑定，以找到非线性表达能力和需要学习的参数数量之间的有效平衡。