摘要
我们考虑知识图谱中的链接预测任务。给定一个由源实体和关系构成的问题（例如，莎士比亚与出生地），目标是预测最可能的答案实体（例如，英格兰）。近年来的方法通过学习实体和关系的嵌入表示来解决该问题。然而，这些方法通常将嵌入之间的关系限制为加性形式（即，将嵌入拼接后通过一系列线性变换和逐元素非线性激活函数进行处理）。我们指出，这种交互方式显著限制了模型的表示能力。例如，此类模型无法处理不同关系对应不同源实体投影的情况。为此，我们提出采用上下文参数生成机制来克服这一局限。具体而言，我们将关系视为处理源实体以生成预测结果的上下文，利用关系嵌入来生成作用于源实体嵌入上的模型参数。这一机制使模型能够表达实体与关系之间更复杂的交互关系。我们将该方法应用于两种现有的链接预测方法，包括当前最先进的模型，取得了显著的性能提升，并在该任务上建立了新的最先进水平。此外，该方法还能将模型收敛时间缩短最多达28倍。