摘要
先前的知识图谱嵌入方法通常将实体映射为向量表示，并利用评分函数预测目标实体，然而这类方法在推理罕见或新兴的未见实体时往往表现不佳。本文提出了一种基于预训练语言模型的新知识图谱嵌入方法——kNN-KGE，该方法通过线性插值实体分布与k个最近邻（k-nearest neighbors）来实现。我们基于知识库中实体嵌入空间的距离计算其最近邻。该方法能够显式地记忆罕见或新兴实体，而非依赖模型参数进行隐式存储。实验结果表明，该方法在归纳式（inductive）和直推式（transductive）链接预测任务中均取得了性能提升，尤其在仅包含少量三元组的低资源场景下表现更优，这表明显式记忆机制有助于提升推理能力。代码已开源，地址为：https://github.com/zjunlp/KNN-KG。