摘要

知识图谱嵌入（Knowledge Graph Embedding）一直是知识库补全（Knowledge Base Completion, KGC）领域的研究热点，从早期的TransE、TransH、RotatE等模型，逐步发展至当前最先进的QuatE模型，取得了持续的进步。然而，QuatE模型忽略了实体的多面性以及关系的复杂性，仅通过四元数空间中的严格运算来捕捉实体对与关系之间的交互，未能充分挖掘潜在的知识表示能力，从而限制了KGC性能的进一步提升。针对这一问题，本文提出一种新型模型QuatDE，引入动态映射机制，显式建模关系模式的多样性，并分离实体的不同语义信息。该模型利用转移向量通过哈密顿积（Hamilton product）调整四元数空间中实体嵌入向量的位置，从而增强三元组中各元素之间的特征交互能力。实验结果表明，QuatDE在三个主流知识图谱补全基准数据集上均取得了当前最优性能。特别是在WN18和WN18RR数据集上，平均排名（MR）指标分别提升了26%和15%，充分验证了QuatDE模型的优越泛化能力。