基于改進(jìn)Inception結(jié)構(gòu)的知識(shí)圖譜嵌入模型

余曉鵬，何儒漢，黃 晉，張俊杰，胡新榮

（1.紡織服裝智能化湖北省工程研究中心（武漢紡織大學(xué)），武漢 430200；2.武漢紡織大學(xué)計(jì)算機(jī)與人工智能學(xué)院，武漢 430200；3.湖北省服裝信息化工程技術(shù)研究中心（武漢紡織大學(xué)），武漢 430200）

0 引言

知識(shí)圖譜（Knowledge Graph，KG）是一種表示世界事實(shí)的結(jié)構(gòu)化語義網(wǎng)絡(luò)。其中，節(jié)點(diǎn)代表實(shí)際存在的事實(shí)，邊代表事實(shí)之間的關(guān)系。KG 可以被表示為三元組（

h

，

r

，

t

），

h

代表頭實(shí)體，

t

代表尾實(shí)體，

r

代表頭實(shí)體和尾實(shí)體之間的關(guān)系。現(xiàn)存的大規(guī)模KG 包括Freebase、WordNet和YAGO等，并已被應(yīng)用在不同的領(lǐng)域，如推薦系統(tǒng)、智能問答等。

由于知識(shí)源的各種缺陷，現(xiàn)存的KG 多數(shù)并不完整。針對(duì)這個(gè)問題，基于知識(shí)圖譜嵌入（Knowledge Graph Embedding，KGE）的知識(shí)圖譜補(bǔ)全應(yīng)運(yùn)而生。KGE 是將KG的實(shí)體和關(guān)系映射到低維連續(xù)的向量空間中，使得可以在低維向量空間中高效計(jì)算實(shí)體和關(guān)系之間的語義聯(lián)系。目前，以TransE（Translating Embedding）為代表的基于翻譯的KGE 模型，采用簡單的淺層結(jié)構(gòu)，計(jì)算效率較高，能有效學(xué)習(xí)KG 的直接關(guān)系；但是，該模型僅對(duì)簡單關(guān)系數(shù)據(jù)效果較好，難以處理復(fù)雜的關(guān)系數(shù)據(jù)。而以雙線型模型Rescal為代表的基于語義匹配的KGE 模型，能有效捕獲豐富的特征交互信息，但參數(shù)量大，計(jì)算效率低。

目前，基于神經(jīng)網(wǎng)絡(luò)的模型逐漸應(yīng)用到了KGE。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）具有多層網(wǎng)絡(luò)結(jié)構(gòu)，能有效提高模型的表達(dá)能力，能捕獲豐富的特征交互信息并限制參數(shù)數(shù)量以提高計(jì)算效率。以ConvE（Convolution Embedding）模型為代表的基于神經(jīng)網(wǎng)絡(luò)的嵌入模型，能夠有效地捕捉三元組特征且泛化能力強(qiáng)，但捕捉實(shí)體和關(guān)系的特征交互信息能力有限，特征表達(dá)能力較弱。……