摘要
我们考虑使用神经嵌入方法学习知识库（KBs）中实体和关系的表示。研究表明，大多数现有的模型，包括NTN（Socher等人，2013年）和TransE（Bordes等人，2013b），可以在一个统一的学习框架下进行泛化，在该框架中，实体是从神经网络学习到的低维向量，而关系则是双线性和/或线性映射函数。基于这一框架，我们在链接预测任务上比较了多种嵌入模型。研究结果表明，一种简单的双线性公式在该任务上取得了新的最佳成绩（在Freebase上的前10名准确率为73.2%，而TransE为54.7%）。此外，我们提出了一种新颖的方法，利用所学的关系嵌入来挖掘逻辑规则，例如“BornInCity(a,b) 和 CityInCountry(b,c) => Nationality(a,c)”（如果a出生在城市b，并且城市b位于国家c，则a的国籍为c）。我们发现，从双线性目标学习到的嵌入特别擅长捕捉关系语义，并且关系的组合可以通过矩阵乘法来表征。更有趣的是，我们证明了基于嵌入的规则提取方法在挖掘涉及组合推理的Horn规则方面成功超越了最先进的基于置信度的规则挖掘方法。