规则增强知识图谱表示学习方法.PDF

特约专题 sPEcial articlEs doi:10.3772/j.issn.2095-915x.2017.01.003 规则增强的知识图谱表示学习方法 浙江大学计算机科学与技术系　杭州　310027 陈曦 陈华钧 张文 摘 要 知识图谱（Knowledge Graph，简称 KG）的表示学习方法旨在将知识图谱的实体和关系表 示为稠密低维实值向量 , 进而在低维向量空间中高效计算实体、关系及其之间的复杂语义关联 , 在知 识图谱的构建、推理、融合、挖掘以及应用中具有重要作用。已有的知识图谱表示方法仅仅考虑了知 识图谱中的直接事实，忽略了知识图谱中一些隐藏的语义信息，这些语义信息对于知识图谱关系和实 体的嵌入表示有着重要的影响。本文提出了一种规则增强的知识图谱表示学习方法，该方法首先通过 知识图谱规则挖掘的方法提取一组可代表知识图谱语义信息的 Horn 逻辑规则，随后通过基于规则的 物化推理方法将相应的隐藏语义信息注入到知识图谱表示学习模型中。实验结果表明，基于规则增强 的方法可以显著提升已有知识图谱表示学习模型在链接预测和定理预测上的效果和性能。 关键词：知识图谱，表示学习，规则挖掘，推理 中图分类号：TP391 Rule-Augmented Representation Learning Approach in Knowledge Graph Department of Computer Science and Technology, Zhejiang University, Hangzhou 310027, China CHEN Xi CHEN HuaJun ZHANG Wen Abstract Representation learning in Knowledge Graph (KG) aims to project the entities and relations into a dense, real-valued and low-dimensional vectors, so as to efficiently measure complex semantic correlations between entities and relations, and plays a important role in knowledge acquisition, inference, fusion, mining and applications of KG. Existing methods of representation learning in KG only concern direct facts in KG, ignoring some implicit semantic information. The paper proposes proposed a rule-augmented representation learning approach in KG. This method firstly implemented a rule mining algorithm to extract Horn rules from 作者简介：陈曦（1990-），博士，研究方向：知识图谱、知识推理、表示学习，email：xichen@；陈华钧（1978-），博 士，教授，研究方向：知识图谱、大数据、语义技术等；张文（1992-），博士，研究方向：知识图谱、表示学习、知识挖掘。 technology intelligence engineering 026 2017 年第 3 卷 第 1 期 规则增强的知识图谱表示学习方法 rUlE-aUGMEntED rEPrEsEntation lEarninG aPProacH in KnoWlEDGE GraPH the KB. Then, a rule-based materialization reasoning was used to encode logical rules into our learning models. Experimental