摘要

在知识图谱（Knowledge Graph, KG）中预测缺失事实是知识库构建与推理中的关键任务，近年来已有大量研究基于知识图谱嵌入（KG embedding）方法展开。尽管现有的KG嵌入方法主要聚焦于单一知识图谱内的事实学习与预测，但更切实可行的解决方案应能融合多个语言特定知识图谱中的知识，因为不同知识图谱在数据质量与覆盖范围方面各具优势与局限。然而，这一目标面临巨大挑战：由于多个独立维护的知识图谱之间对齐信息不足，且所描述的事实存在不一致性，知识的跨图谱迁移往往受到阻碍。本文提出KEnS——一种新颖的框架，用于在多个语言特定知识图谱之间进行嵌入学习与集成知识迁移。KEnS将所有知识图谱映射到一个共享的嵌入空间中，通过自学习机制捕捉实体之间的关联关系。随后，KEnS采用集成推理方法，综合多个语言特定知识图谱嵌入的预测结果，并系统地探索了多种集成技术。在五个真实世界语言特定知识图谱上的实验表明，KEnS通过有效识别并利用各图谱间的互补知识，在知识图谱补全任务上持续优于现有最先进方法。