知識圖譜嵌入的概念

????為了解決前面提到的知識圖譜表示的挑戰，在詞向量的啟發下，研究者考慮如何將知識圖譜中的實體和關系映射到連續的向量空間，并包含一些語義層面的信息，可以使得在下游任務中更加方便地操作知識圖譜，例如問答任務、關系抽取等。對于計算機來說，連續向量的表達可以蘊涵更多的語義，更容易被計算機理解和操作。把這種將知識圖譜中包括實體和關系的內容映射到連續向量空間方法的研究領域稱為知識圖譜嵌入（KnowledgeGraphEmbedding）、知識圖譜的向量表示、知識圖譜的表示學習（RepresentationLearning）、知識表示學習。

???? 類似于詞向量，知識圖譜嵌入也是通過機器學習的方法對模型進行學習，與獨熱編碼、詞袋模型的最大區別在于，知識圖譜嵌入方法的訓練需要基于監督學習。在訓練的過程中，可以學習一定的語義層信息，詞向量具有的空間平移性也簡單地說明了這點。類似于詞向量，經典的知識圖譜嵌入模型TransE的設計思想就是，如果一個三元組（hr，t）成立，那么它們需要符合h+rt關系，例如：Vec（Rome）+vec（is-capital-of)≈vec（ltaly）所以，在知識圖譜嵌入的學習過程中，不同的模型從不同的角度把相應的語義信息嵌入知識圖譜的向量表示中，如下圖所示。