摘要
知识图谱包含了关于世界的知识，并提供了这种知识的结构化表示。当前的知识图谱仅包含世界上真实情况的一小部分。链接预测方法旨在根据实体之间已有的链接预测知识图谱中的新链接。张量分解方法在解决此类链接预测问题方面已被证明具有前景。1927年提出的规范多项式（Canonical Polyadic, CP）分解是最早的张量分解方法之一。然而，CP在链接预测方面的表现通常较差，因为它为每个实体学习两个独立的嵌入向量，而实际上这些向量是相关的。我们提出了一种简单的CP增强方法（称为SimplE），允许每个实体的两个嵌入向量以依赖的方式进行学习。SimplE的复杂度随着嵌入向量大小线性增长。通过SimplE学习到的嵌入向量具有可解释性，并且可以通过权重绑定将某些类型的背景知识融入这些嵌入向量中。我们证明了SimplE是完全表达性的，并推导出其嵌入向量大小的界值以实现完全表达性。实验结果表明，尽管SimplE非常简单，但其性能优于几种最先进的张量分解技术。SimplE的代码可在GitHub上获取，地址为https://github.com/Mehran-k/SimplE。