知识图谱补全（KGC）的常用方法

构建知识图谱最为核心的一步就是知识抽取，但是知识抽取只能初步构建出图谱，要想得到内容比较准确的图数据库，还需要非常重要的一步，就是知识图谱的补全。

知识图谱补全主要有以下几种方法：

一、基于知识表示方法

主要有Trans系列（包括TransR、TransH、TransE、TransD）和基于神经网络的方法

原理：已知三元组中任意两个元素，预测另一个缺失元素

方法：通过将可组成的三元组映射到不同向量空间中进行表示，采用不同的方法计算分数，得到分数最高的三元组，经过知识融合后补全到现有知识图谱中

二、基于路径查找的方法

1. 给定“实体对”的集合，利用PRA(Path Ranking Algorithm，路径排名算法)查找一定数量的路径

2. 使用RNN沿着路径进行向量化建模

3. 通过比较路径向量与待预测关系向量间的关联度来进行关系补全

（所以该种方法主要用于确定了实体对，不确定关系，对关系的一个补全）

三、基于强化学习的方法

在连续空间中进行路径搜索，通过引入多种奖励函数，使得路径查找更加灵活、可控

四、基于推理规则的方法

五、基于元学习的方法

1、基于记忆(Memory)的方法。
基本思路：因为要通过以往的经验来学习，那就可以通过在神经网络中添加Memory来实验。

2、基于预测梯度的方法。
基本思路：Meta Learning的目的是实现快速学习，而实现快速学习的关键点是神经网络的梯度下降要准和快，那么就可以让神经网络利用以往的任务学习如何预测梯度，这样面对新的任务，只要梯度预测的准，那么学习就会快。

3、利用注意力机制(Attention)
基本思路：训练一个Attention模型，在面对新任务时，能够直接的关注最重要部分。

4、借鉴LSTM的方法
基本思路：LSTM内部的更新非常类似于梯度下降的更新，那么能否利用LSTM的结构训练处一个神经网络的更新机制，输入当前网络参数，直接输出新的更新参数

5、面向RL的Meta Learning方法
基本思路：既然Meta Learning可以用在监督学习，那么增强学习上又可以怎么做呢？能否通过增加一些外部信息的输入比如reward，和之前的action来实验。

6、通过训练一个base model的方法，能同时应用到监督学习和增强学习上
基本思路：之前的方法只能局限在监督学习或增强学习上，能否做出一个更通用的模型。

7、利用WaveNet的方法
基本思路：WaveNet的网络每次都利用了之前的数据，那么能否照搬WaveNet的方式来实现Meta Learning呢？就是充分利用以往的数据。

8、预测Loss的方法
基本思路：要让学习的速度更快，除了更好的梯度，如果有更好的Loss，那么学习的速度也会更快，因此，可以构建一个模型利用以往的任务来学习如何预测Loss