InteractE：通过增强特征交互提升基于卷积的知识图谱嵌入

现有的大多数知识图谱都存在不完整性问题，可通过基于已有事实推断缺失链接来缓解。一种流行的方法是生成实体和关系的低维嵌入表示，并利用这些嵌入进行推理。近期提出的ConvE方法通过对实体和关系嵌入进行二维重排，并应用卷积滤波器，以捕捉其组件之间的丰富交互关系。然而，ConvE所能建模的交互数量有限。本文深入分析了增加此类交互数量对链接预测性能的影响，并基于观察结果提出了新的模型InteractE。InteractE基于三个核心思想：特征置换（feature permutation）、一种新颖的特征重排方式以及循环卷积（circular convolution）。通过大量实验验证，InteractE在FB15k-237数据集上优于当前最先进的卷积型链接预测基线模型。进一步地，InteractE在FB15k-237、WN18RR和YAGO3-10三个数据集上的MRR（Mean Reciprocal Rank）得分分别比ConvE高出9%、7.5%和23%。实验结果验证了本文的核心假设——增强特征间的交互有助于提升链接预测性能。为促进可复现研究，本文已公开InteractE的源代码。