基于实体相似度信息的知识图谱补全算法

摘要 为了解决知识图谱的链接预测问题，提出了一种共享变量的神经网络模型（LCPE），该模型通过将实体和关系嵌入到向量空间中实现对链接的预测。通过分析Unstructured Model，推导出在向量空间中两个有关系的实体嵌入距离更近，即相似的实体之间更可能具有关系，LCPE模型将ProjE模型和实体之间的相似度信息进行融合，在判断两个实体是否有关系的基础上判断具体关系类型。三元组预测实验中，LCPE模型在与ProjE模型参数规模相同的情况下，在公开数据集WN18中，正例三元组的平均得分排名（Mean Rank）比ProjE提前了11，而正例三元组在前10名中出现的概率Hit@10比ProjE提升了0.2个百分点；在FB15k中，Mean Rank提前了7.5，Hits@10平均提升了3.05个百分点：证明了LCPE模型能够将实体相似度信息融入ProjE中并有效提升预测准确度