知识图谱补全技术研究综述

作为一种新兴的数据结构,知识图谱被广泛用于搜索引擎、推荐系统、对话系统等诸多领域中.知识图谱补全(knowledge graph completion)是通过不同的方法,对图谱中的三元组残缺项进行补充.本文以模型构造方法为视角,从Trans结构、神经网络和张量分解三类方法对已有知识图谱补全的相关技术研究进行深入探讨,分析了不同补全技术的优缺点.指出了Trans结构模型和张量分解模型适用于大规模的知识图谱补全,而神经网络模型适用于关系结构复杂的知识图谱补全;现有知识图谱补全技术存在关系复杂性高、语义信息难以获取、训练代价大、模型扩展性差等不足.从知识图谱中复杂关系处理、上下文语义获取、节点间长期依赖关系捕获、模型融合与可扩展性等方面来展望了知识图谱补全技术未来主要研究方向.