摘要

现有知识图谱（Knowledge Graphs, KGs）普遍存在不完整性问题，而知识图谱补全任务旨在预测实体之间的潜在链接，具有较大挑战性。大多数现有知识图谱补全方法仅考虑节点间的直接关系，忽视了包含丰富信息的关系路径。尽管近期已有部分方法开始引入关系路径，但对路径中关系顺序的关注不足——而关系顺序对于推理任务至关重要。此外，这些基于路径的模型通常忽略了路径特征对链接预测的非线性贡献。为解决上述问题，本文提出一种新型知识图谱补全方法——OPTransE。与以往将关系两端实体嵌入同一潜在空间的方法不同，OPTransE将每个关系的头实体与尾实体分别映射到不同的向量空间，以有效保留路径中关系的顺序信息。同时，本文采用一种池化策略，以提取不同路径中非线性且复杂的特征表示，进一步提升链接预测的性能。在两个基准数据集上的实验结果表明，所提出的OPTransE模型在性能上优于当前最先进的方法。