摘要
知识图谱补全是一项重要任务，旨在预测实体之间缺失的关联关系。知识图谱嵌入方法通过将实体和关系表示为嵌入向量，并建模它们之间的交互作用来计算三元组的匹配得分，从而完成该任务。以往的研究通常将每个嵌入视为一个整体，并建模这些整体嵌入之间的交互，这可能导致模型计算开销过大，或需要专门设计复杂的交互机制。针对这一问题，本文提出了一种基于块项格式（block term format）的多分区嵌入交互（Multi-Partition Embedding Interaction, MEI）模型，系统性地加以解决。MEI 将每个嵌入向量划分为多个子分区，从而高效地限制交互范围。局部交互采用 Tucker 张量格式建模，整体交互则通过块项张量格式建模，使得 MEI 能够在表达能力与计算成本之间实现灵活权衡，自动从数据中学习交互机制，并在链接预测任务上达到当前最优性能。此外，本文从理论上深入研究了参数效率问题，推导出一个简洁且经实证验证有效的最优参数权衡准则。同时，我们将 MEI 框架应用于解释先前模型中若干专门设计的交互机制，为其提供了新的统一解释视角。相关源代码已开源，地址为：https://github.com/tranhungnghiep/MEI-KGE。