1? 引言
1.1? 問題
????????目前KGC和KGE提案的兩個主要缺點是:(1)它們沒有利用本體信息;(二)對訓練時未見的事實和新鮮事物不能預測的。
1.2? 解決方案
一種新的知識圖嵌入初始化方法。
1.3? 結合的信息
知識庫中的實體向量表示＋編碼后的本體信息——>增強 KGC
2基于本體的知識圖譜補全深度學習方法
????????首先提出假設，如果使用嵌入來豐富e1的初始表示，則預測實體“Barack Obama”的鏈接(我們稱之為e1)應該更容易，該嵌入試圖反映e1是一位總統，因此也就是一位政治家。此外，如果“新鮮實體”的初始表示可以處理在訓練時間中看不到的實體，則“新實體”也可以接收到來源于本體的額外信息。
具體做法：
????????首先，本體信息或本體知識庫(OKB)，如概念和類，必須從一般知識庫(KB)（一般存在于諸如Freebase之類的多個通用KG）中分離出來，如個體或實例。
????????其次，為OKB和知識庫中的實體選擇初始表示。使用word2vec的向量的平均值被用于實體中包含的每個詞。
????????第三，用其對應的編碼本體信息的OKB向量擴展知識庫中的每個實體向量。
????????第四，使用諸如NTN或RESCAL等已知方法來學習KGE模型后用于KGC。
