面向知识图谱的图嵌入学习研究进展
作者:
作者单位:

作者简介:

通讯作者:

王金宝,E-mail:wangjinbao@hit.edu.cn

基金项目:

国家自然科学基金(61772157,61832003,U1866602)


Survey on Knowledge Graph Embedding Learning
Author:
Affiliation:

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
    摘要:

    知识图谱是一种用网络结构存储知识的知识库,在知识图谱中,单条知识被表示成三元组的形式,即(头实体,关系,尾实体).得力于知识图谱在各个领域的广泛应用,面向知识图谱的图嵌入学习也得到越来越多研究人员的关注.面向知识图谱的图嵌入学习任务旨在为图谱中的实体与关系学习低维且稠密的向量,通过图嵌入向量表达实体与关系的语义信息以及度量实体之间、关系之间、实体与关系之间的语义联系,已有许多研究证明图嵌入模型在下游任务中的有效性.近年来,越来越多研究人员开始关注知识图谱的图嵌入学习,并取得大量的研究成果,本文尝试将图嵌入算法分成了基于转移思想、基于张量分解、基于传统深度学习模型、基于图神经网络以及融入额外信息的图嵌入学习共五大类,梳理、介绍各类图嵌入算法的设计思路、算法特征以及优缺点,以帮助指导初步接触该领域的研究人员快速学习了解该研究领域的相关模型和算法.

    Abstract:

    Knowledge Graphs (KGs) serve as a kind of knowledge base by storing facts with network structure, representing each piece of fact as a triple, i.e. (head, relation, tail). Thanks to the general applications of KGs in various of fields, the embedding learning of Knowledge Graph has also quickly gained massive attention. In this article, we try to classify the existing embedding algorithms as five types:translation-based models, tensor factorization-based models, traditional deep learning-based models, graph neural network-based models and models by fusing extra information. Then we introduce and analyze the key ideas, algorithm features, advantages and disadvantages of different embedding models to give the first-time researchers a guide article that can be referenced to help researchers quickly get started.

    参考文献
    相似文献
    引证文献
引用本文

杨东华,何涛,王宏志,王金宝.面向知识图谱的图嵌入学习研究进展.软件学报,,():0

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
历史
  • 收稿日期:2021-05-13
  • 最后修改日期:2021-06-29
  • 录用日期:
  • 在线发布日期: 2021-10-20
您是第位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京市海淀区中关村南四街4号,邮政编码:100190
电话:010-62562563 传真:010-62562533 Email:jos@iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号