HyCubE: 高效知识超图 3D 循环卷积嵌入
内容提要
本文综述了多种知识图谱嵌入方法：InteractE通过特征交互提升链接预测，MRR最高提升23%；ConvD改进卷积核以增强表达能力；ConE利用超球面锥体捕捉分层关系；HAKE采用极坐标建模语义层次；ConvE以多层卷积实现高效链接预测。这些方法在FB15k-237等数据集上均优于基线。
延伸解读
知识图谱嵌入方法演进
从2015年的HoloE到2023年的ConvD，知识图谱嵌入方法不断演进。早期方法如HoloE利用循环相关性创建组合表示，而近期方法如ConvD通过动态卷积核增强特征交互。这些改进在链接预测任务上带来了显著提升，例如InteractE在YAGO3-10上MRR提高了23%。
卷积嵌入的改进方向
ConvE作为早期卷积嵌入模型，参数效率高，但表达能力有限。后续研究如InteractE通过增加特征交互，ConvD通过重塑关系嵌入为多个内部卷积核，提升了模型表达能力。这些改进在FB15k-237等数据集上平均改进11.30%到16.92%。
层次关系建模的专门方法
针对知识图谱中的层次关系，研究者提出了专门方法。ConE使用超球面锥体捕捉分层关系，HAKE采用极坐标建模语义层次，3H-TH则能同时捕捉多种关系模式。这些方法在层次推理任务上表现优于通用模型，但可能在其他关系类型上优势不明显。
Q&A
InteractE 在链接预测任务上相比 ConvE 有哪些提升？
InteractE 通过增加特征间的交互来提高链接预测性能。在 FB15k-237、WN18RR 和 YAGO3-10 数据集上，其 MRR 分数分别比 ConvE 提高了 9%、7.5% 和 23%。
ConvD 模型是如何改进知识图谱补全的？
ConvD 将关系嵌入重塑为多个内部卷积核，改善了传统卷积嵌入模型的外部卷积核，从而增强了关系嵌入与实体嵌入之间的特征交互，提高了模型的表达能力。实验表明，ConvD 在多个数据集上平均改进 11.30% 到 16.92%。
ConE 模型使用什么方法捕捉分层关系？
ConE 使用超球面锥体将实体嵌入到多维空间中，并对锥之间的变换建模，从而同时捕捉多个异构的分层关系和非层次关系。
HAKE 模型如何建模语义层次结构？
HAKE 采用极坐标系将实体映射到不同的层次，以模拟语义层次结构，从而在链接预测任务上实现了显著的性能提升。
ConvE 模型在知识图谱链接预测中的主要特点是什么？
ConvE 是一种多层卷积网络模型，用于知识图谱的链接预测。它在多种常见数据集上获得了与 DistMult 和 R-GCN 相媲美的性能，并极大提高了参数效率。
3H-TH 模型能捕捉哪些关系模式？
3H-TH 模型可以同时捕捉对称、反对称、倒置、交换组合、非交换组合、层级和多重性等多种关系模式。在低维空间中，该模型在精度、层级属性和其他关系模式方面优于现有最先进模型。
