
摘要
基于双线性(bilinear)的模型是知识图谱补全(Knowledge Graph Completion, KGC)领域中强大且广泛应用的方法。尽管此类模型已取得显著进展,但现有研究主要聚焦于后验性质(如基于证据的对称性模式等),而忽视了先验性质。本文发现,一种名为“同一性定律”(the law of identity)的先验性质无法被现有双线性模型所捕捉,这一缺失限制了模型对知识图谱特征的全面建模能力。为解决该问题,本文提出一种名为单位球双线性模型(Unit Ball Bilinear Model, UniBi)的新方法。该模型不仅在理论上具备优势,还通过施加最小化约束以减少无效学习,显著提升了模型的可解释性与性能表现。实验结果表明,UniBi能够有效建模先验性质,并验证了其在可解释性与实际性能上的优越性。