知识图谱-KGE-双线性模型-2015：DistMult

1. DistMult模型简介

DistMult对应的论文为Embedding Entities and Relations for Learning and Inference in Knowledge Bases，发表于ICLR 2015。

2. DistMult论文摘要

我们使用神经网络嵌入学习的方法来学习知识图谱中实体和关系的表示。我们展示了最常见的模型，包括NTN和TransE，可以被归纳在一个统一的学习框架下，其中，实体是从神经网络学习出的低维向量，关系是双线性和/或线性映射函数。在此框架下，我们在链接预测任务上比较了各种嵌入模型。我们证明了一个简单的双线性公式可以在链接预测任务上实现SOTA效果（在Freebase上，Top-10达到73.2%的精确率 vs. TransE的精确率为54.7%）。此外，我们提出了一种新的方法，利用学习的关系嵌入来挖掘像BornInCity(a, b) ∧ CityInCountry(b, c) ⇒ Nationality(a, c)这样的逻辑规则。我们发现，从双线性目标学习到的嵌入特别擅长捕获关系语义，并且关系的组合以矩阵乘法来刻画。更有趣的是，我们证明了，我们的基于嵌入的规则提取方法在挖掘包含组合推理的Horn规则方面成功超越了SOTA的基于置信度的规则挖掘方法。

3. DistMult方法概述

本文的目标是，期望训练出的实体和关系的表示，可以使合法三元组的打分更高（或者能量更低）。