摘要

近年来，知识图谱嵌入（knowledge graph embedding）成为人工智能领域的热门研究方向，并在推荐系统、问答系统等下游应用中发挥着日益重要的作用。然而，现有的知识图谱嵌入方法在模型复杂度与模型表达能力之间难以实现良好的权衡，导致其性能仍难以令人满意。为缓解这一问题，本文提出一种轻量级建模框架，能够在不增加模型复杂度的前提下，实现极具竞争力的关系表达能力。该框架聚焦于打分函数的设计，突出两个关键特性：1）充分促进特征间的交互；2）同时保持关系的对称性与反对称性。值得注意的是，由于打分函数具有通用而优雅的结构，本框架可将多种现有的经典方法作为特例进行统一建模。在多个公开基准数据集上的大量实验结果表明，所提框架在效率与有效性方面均表现优异。源代码与数据集可于 \url{https://github.com/Wentao-Xu/SEEK} 获取。