笔记整理 | 谭亦鸣，东南大学博士生
概述
预测图谱中缺失的事实(fact)是知识图谱构建与推理中的一个重要任务，近年来也被许多KG embedding研究的关注对象。虽然目前的KG embedding方法主要学习和预测的是单个图谱中的事实，但是考虑到KG之间不同规模，不同质量和覆盖面的差异，一个更加合理的解决方案是将其应用于多语言知识上。由于知识在不同KG之间的传递往往收到描述不一致和对齐信息缺失的问题，因此（多语言知识图谱上的补全）这是一个具有挑战性的任务。本文提出了KEnS，一个新的框架，可以用于embedding学习以及在多个特定语言KG上集成知识并相互转换。KEnS将所有的KG embed进一个共享空间，通过self-learning捕获关联实体，之后执行集成推理从而将多语言KG embedding上的预测结果联合起来。作者探究了多种联合的模式，在五个真实多语言KG上的实验表明，通过有效识别和利用补充的知识，KEnS在补全任务上进一步提升了SOTA方法的性能。
方法
图1描述了KEnS的集成推理过程，该模型首先联合多语言KG embedding模型的预测结果，然后从那些结果中找出可能性最大的答案，从而提升图谱补全的性能。KEnS包括两个主要过程：1. Embedding学习；2. 集成推理。前者将每个KG的实体和关系编码进一个共享的embedding空间（类似于对齐模型的做法），这使得模型支持跨不同KG的查询。集成推理过程联合来自不同KG的预测结果，并且为了进一步提高每个KG上预测的可靠性，作者引入了一种增强方法来学习知识模型的实体特定权重。
下面分别对KG embedding及集成推理的细节进行说明：
在embedding方面，包含知识模型与对齐模型两个部分，其中知识模型的学习目标可以通过公式1表示：
其中[·]+=max(·, 0)，f是一个三元组打分函数，越高的得分表明该三元组描述的事实越可靠，是一个超参数，则表示通过随机替换生成的的负例，在f函数方面，作者考虑了TransE以及RotatE两种方式：
在对齐模型方面，其学习目标如公式4（通过训练使对齐实体之间的向量距离尽可能小）：
两者整合的目标函数为：
集成推理部分，首先KEnS通过对齐模型预测多语言图谱之间的实体对齐，基于对齐实体，将query转换到其他KG上，获取结果之后再通过对齐转换回初始KG，接着对于获取的候选结果，利用公式6对其进行加权：
其中，e表示目标KG上的一个实体，wi(e)表示一个实体特定模型权重，当e在KGi的embedding模型fi上排在Top-K, 则Ni(e)为1，否则Ni(e)为0。这里在w的计算上，作者构建了三种变体，其一是利用boosting方法对每个实体学习特定权重，其二是对所有实体和embedding模型修正权重为1，其三则是使用embedding模型f在验证集上的mean reciprocal rank（MRR）作为权重。
实验
数据方面，由于目前还没有一个面向多语言补全的数据集，因此他们收集了一个涵盖英语，法语，西班牙语，日语以及希腊语等语言的DBpedia子集，并命名为DBP-5L，其上的预测结果如标2所示：
OpenKG
开放知识图谱（简称 OpenKG）旨在促进中文知识图谱数据的开放与互联，促进知识图谱和语义技术的普及和广泛应用。
点击阅读原文，进入 OpenKG 网站。
