1 引言
1.1 问题
目前KGC和KGE提案的两个主要缺点是:(1)它们没有利用本体信息;(二)对训练时未见的事实和新鲜事物不能预测的。
1.2 解决方案
一种新的知识图嵌入初始化方法。
1.3 结合的信息
知识库中的实体向量表示+编码后的本体信息------>增强 KGC
2基于本体的知识图谱补全深度学习方法
![](https://i-blog.csdnimg.cn/direct/563b851c84b94f1cbbcbfa72a8c96dc9.png)
首先提出假设,如果使用嵌入来丰富e1的初始表示,则预测实体"Barack Obama"的链接(我们称之为e1)应该更容易,该嵌入试图反映e1是一位总统,因此也就是一位政治家。此外,如果"新鲜实体"的初始表示可以处理在训练时间中看不到的实体,则"新实体"也可以接收到来源于本体的额外信息。
具体做法:
首先,本体信息或本体知识库(OKB),如概念和类,必须从一般知识库(KB)(一般存在于诸如Freebase之类的多个通用KG)中分离出来,如个体或实例。
其次,为OKB和知识库中的实体选择初始表示。使用word2vec的向量的平均值被用于实体中包含的每个词。
第三,用其对应的编码 本体信息的OKB向量扩展知识库中的每个实体向量。
第四,使用诸如NTN或RESCAL等已知方法来学习KGE模型后用于KGC。