摘要
知识图谱嵌入方法广泛用于各种领域,例如搜索引擎,语义搜索和知识推断。传统模型中,由于未考虑有效的知识时间段,会导致错误的知识构造。在添加新知识元素之后,它们的鲁棒性会降低。在大多数现有的知识图谱表示学习模型中,通过将负样本集与正确样本集进行合成来进行重复计算,也导致计算量增加。由于知识图谱中的实体和关系存在很多情况,因此使用先前模型进行表示学习时获得的矢量表示不是唯一的,这导致计算复杂度的增加。论文提出了一种基于Softmax的知识表示学习模型,该模型通过实体的条件概率和关系向量来计算最合适的表示向量。实验结果表明,与传统方法相比,我们的模型在知识完成上有显着改善。
