摘要

在过去十年中，知识图谱因其能够捕捉结构化的领域知识而变得流行。关系学习模型使得在知识图谱内部预测缺失链接成为可能。更具体地说，潜在距离方法通过实体潜在表示之间的距离来建模它们之间的关系。翻译嵌入模型（如TransE）是最受欢迎的潜在距离方法之一，它们使用一个距离函数来学习多种关系模式。然而，这些模型在捕捉对称关系时大多效率低下，因为所有对称关系的表示向量范数都变为零。此外，在学习具有自反模式的关系时，它们会丢失信息，因为这些关系变得既对称又传递。我们提出了一种多距离嵌入模型（Multiple Distance Embedding, MDE），该模型解决了这些限制，并提供了一个框架以协作方式结合不同的基于潜在距离的项。我们的解决方案基于两个原则：1）我们使用基于极限的损失函数而不是边缘排序损失函数；2）通过为每个项学习独立的嵌入向量，我们可以集体训练和预测使用矛盾的距离项。我们进一步证明了MDE允许建模具有（非）对称性、逆性和组合性的关系模式。我们提出了MDE作为一种神经网络模型，该模型使我们能够映射嵌入向量与评分函数预期输出之间的非线性关系。我们的实证结果表明，在多个基准数据集上，MDE的表现与最先进的嵌入模型相当。