知识图谱嵌入模型 (KGE) 的总结和比较

知识图谱嵌入(KGE)是一种利用监督学习来学习嵌入以及节点和边的向量表示的模型。它们将“知识”投射到一个连续的低维空间，这些低维空间向量一般只有几百个维度（用来表示知识存储的内存效率）。向量空间中，每个点代表一个概念，每个点在空间中的位置具有语义意义，类似于词嵌入。

一个好的KGE 应该具有足够的表现力来捕获 KG 属性，这些属性解决了表示关系的独特逻辑模式的能力。并且KG 可以根据要求添加或删除一些特定属性。KGE算法可分为两类：

• 翻译距离模型（translation distance models），如TransE、TransH、TransR、TransD等。
• 语义匹配模型（semantic matching models），如DistMult。

以下是常见的KGE 模型在捕获关系类型方面的比较，我们将对这些常见的模型进行比较

完整文章：

https://avoid.overfit.cn/post/54f8d904441e451eb22caf934ae8b540