低维双曲知识图谱嵌入

知识图谱（Knowledge Graph, KG）嵌入旨在学习实体与关系的低维表示，以预测缺失的事实。知识图谱通常具有层次化和逻辑性结构，这些特性必须在嵌入空间中得以保留。针对层次化数据，双曲嵌入方法在实现高保真度且简洁的表示方面展现出显著潜力。然而，现有的双曲嵌入方法未能充分捕捉知识图谱中丰富的逻辑模式。本文提出一类新型双曲知识图谱嵌入模型，能够同时建模层次结构与逻辑关系。该方法结合双曲空间中的反射（reflection）与旋转（rotation）操作，并引入注意力机制，以建模复杂的关联模式。在标准知识图谱基准测试上的实验结果表明，该方法在低维空间下相较以往基于欧几里得和双曲空间的方法，平均倒数排名（Mean Reciprocal Rank, MRR）提升最高达6.1%。此外，我们观察到不同几何变换分别擅长捕捉不同类型的关系，而基于注意力的变换则具有更强的泛化能力，适用于多种关系类型。在高维设置下，本方法在WN18RR数据集上取得49.6%的新最优MRR，在YAGO3-10数据集上达到57.7%的新最优MRR，显著超越现有技术水平。