前言

论文分享，一个基于张量分解的知识图谱的推理分享

2.1背景和目的

本文是知识的一个推理过程，知识图谱在链路预测上是及其重要的应用，现有方法中往往只考虑了实体间的直接关系，忽略了图本身的结构化信息。现有的推理算法不能解决长路劲的推理。
所谓张量分解算法就是将知识图谱视作一个大的张量，用分解算法将图谱降维，减少计算规模，这在传统的张量分解中已经较为成熟的方法。
本文针对张量分解中实体间路径问题，提出基于路径张量分解的知识图谱推理算法． 通过在知识图谱中随机游走的方式，获得知识图谱中实体间的关系路径．在关系路径上使用张量分解进行推理计算。
三阶张量分解模型（RESCAL），三元组–>实体*关系矩阵。
2.2模型和方法
三元组集合T，嵌入到低维向量空间S，PRA（路 径 排 列 算 法）得到实体的路径。模型函数f( h，r( P) ，t)

2.2.1构建

X n ∗ n ∗ m X_{n*n*m} Xn∗n∗m​ n个实体,m种关系，在第k层存在关系时，分解为

A是n x d的矩阵，R是d x d的矩阵，n是n个实体，d是每个实体的特征数

上述分解函数只是一跳，扩展到多跳的实体，分解函数值变为

2.2 算法描述

算法的重点在于利用 PRA 计算知识图谱中每个实体对间的关系实体路径，通过对任意一个头实体，利用随机游走策略，达到尾实体，组成头尾实体的候选实体间关系，然后 利用张量分解 技术计 算每个路径上的损失函数值，以此预测知识图谱中新的实体关系，丰富和拓展知识图谱。

2.3实验

数据集构建
WordNet子集WN11,Freebase子集FB13,限定路线长度为4

2.3.1 路径问题回答

给定头实体和关系路劲，评估到底中间中间实体集能力
常规用于问答

2.3.2 实体链接预测

预测新三元组能力