带空洞卷积与残差学习的知识图谱嵌入

知识图谱嵌入是一项重要任务，能够显著促进众多下游应用的发展。目前，基于深度神经网络的方法已达到最先进的性能水平。然而，大多数现有方法结构复杂，训练与推理过程耗时较长。为解决这一问题，本文提出了一种简单但高效的基于空洞卷积（atrous convolution）的知识图谱嵌入方法。与现有最先进方法相比，本方法具有以下三个主要特点：第一，通过引入空洞卷积有效增强了特征间的交互能力；第二，为缓解原始信息遗忘问题以及梯度消失/爆炸问题，采用了残差学习（residual learning）机制；第三，模型结构更为简洁，同时具备更高的参数效率。我们在六个基准数据集上，采用多种评估指标对所提方法进行了全面评估。大量实验结果表明，该模型具有优异的性能，在多数评估指标上均优于对比的先进方法。模型的源代码已公开，可访问 https://github.com/neukg/AcrE 获取。