可建模语义分层的KG embedding for relation/link completion

可建模语义分层的KG embedding for relation/link completion

1. Learning Hierarchy-Aware Knowledge Graph Embeddings for Link Prediction

知识图谱补全的方法可分为三种：

1. 基于距离的模型
2. 双线性模型
3. 神经网络模型

本文属于第一种，基于距离的模型，这类模型可以建模互逆，对称与复合等不同的关系式，但是难以对KG的语义分层进行建模。

故本文提出一种针对语义分层的问题，把语义等级树构建成极坐标系（polar coordinate），并对模长（非同等级实体）和角度（同等级实体）进行建模。最终的距离函数：

实验证明过程：

2.Rule-Guided Compositional Representation Learning on Knowledge Graphs

本文使用实体间的路径进行学习

1. 使用规则挖掘工具如AMIE从KG中自动抽取规则，共分成两类规则：长度为1和2的规则
2. 挖掘KG间实体的路径，使用PtransE自动挖掘h和t之间的路径p
3. 路径+规则做实验组合表征学习

Embedding 的评估指标：MR，MRR，Hits@1，3，10.。

实验证明过程：