摘要
我们研究多关系数据中实体与关系的分布式表示学习问题，旨在预测其中缺失的链接。近年来，卷积神经网络在该任务中展现出优越性，既提升了模型的表达能力，又保持了参数高效性。然而，现有卷积结构的设计未能充分建模输入实体与关系之间的完整交互，这可能限制了链接预测的性能。为此，本文提出ConvR——一种自适应卷积网络，旨在以卷积方式最大化实体与关系之间的交互。ConvR通过关系表示自适应地构建卷积核，并将这些卷积核作用于实体表示，从而生成卷积特征。该机制使得实体与关系表示在不同区域间能够实现丰富而充分的交互，且所有生成的卷积特征均能有效捕捉此类交互。我们在多个基准数据集上对ConvR进行了评估。实验结果表明：（1）ConvR在几乎所有指标和所有数据集上均显著优于现有竞争性基线模型；（2）相较于当前最先进的卷积模型，ConvR不仅更具有效性，而且更加高效：在保持更少参数存储（节省12%）的同时，将MRR提升7%，Hits@10提升6%。