知识图谱的联合嵌入:语义相似性计算新方法_语义相似度 向量 嵌入

知识图谱的联合嵌入:语义相似性计算新方法

1.背景介绍

1.1 知识图谱概述

知识图谱是一种结构化的知识库,它以图的形式表示实体之间的关系。知识图谱由三元组(头实体,关系,尾实体)组成,可以清晰地展示实体之间的语义联系。知识图谱广泛应用于问答系统、关系抽取、实体链接等自然语言处理任务。

1.2 语义相似性计算的重要性

在知识图谱中,准确计算实体或关系之间的语义相似性对许多下游任务至关重要。语义相似性可用于查询扩展、关系预测、实体disambiguating等。传统的相似性计算方法通常基于符号匹配或统计特征,难以捕捉语义层面的相似性。

1.3 联合嵌入的动机

为了更好地计算语义相似性,研究人员提出了将知识图谱中的实体和关系统一嵌入到低维连续向量空间的方法,即联合嵌入(Joint Embedding)。通过嵌入,相似的实体和关系在向量空间中彼此靠近,从而可以使用向量相似度来衡量语义相似性。

2.核心概念与联系

2.1 知识表示学习

知识表示学习(Knowledge Representation Learning)旨在将符号化的结构知识嵌入到连续的低维向量空间中,是联合嵌入的理论基础。经典的知识表示学习模型包括TransE、TransH、TransR等。

2.2 嵌入空间

嵌入空间通常是一个低维的连续向量空间,每个实体和关系都被映射为一个固定长度的向量表示。相似的实体和关系在该空间中彼此靠近。

2.3 打分函数

打分函数(Scoring Function)用于评估给定三元组在嵌入空间中的语义合理性。合理的三元组应当获得较高分值,不合理的三元组获得较低分值。

2.4 负采样