摘要
知识图谱通过关系连接实体，以结构化方式表示现实世界中的事实。然而，由于仅基于所有可能事实的一小部分，知识图谱往往存在不完整性。通过链接预测实现知识图谱补全的任务，旨在推断出缺失的事实——即实体之间的关联链接。当前的链接预测方法主要依赖张量分解和/或深度学习技术。张量分解方法因参数量较少，具备快速训练与部署的优势，但受限于其线性建模机制，表达能力有限；而深度学习方法虽然具有更强的表达能力，却因参数量庞大，导致计算开销高，且容易发生过拟合。为此，我们提出一种新型混合链接预测模型——神经增强型Tucker网络（Neural Powered Tucker Network, NePTuNe），该模型结合了深度模型的表达能力与线性模型的高效性与紧凑性。实验结果表明，NePTuNe在FB15K-237数据集上达到了当前最优（state-of-the-art）性能，在WN18RR数据集上也取得了接近最优的性能。