Learning+Entity+and+Relation+Embeddings+for+Knowledge+Graph+Completion

"Learning Entity and Relation Embeddings for Knowledge Graph Completion" 是一篇经典的知识图谱补全论文，提出了一种基于向量嵌入的方法来解决知识图谱中的三元组缺失问题。该方法通过将实体和关系映射到低维向量空间中，使得在向量空间中相似的实体和关系具有相似的语义含义。在此基础上，可以通过计算向量之间的相似度来预测缺失的三元组。

具体来说，该方法使用了一个基于神经网络的模型，称为TransE。该模型将实体和关系都映射到低维向量空间中，并通过最小化正例三元组和负例三元组之间的距离来学习向量嵌入。在训练过程中，正例三元组是已知的三元组，而负例三元组是通过随机替换头实体或尾实体得到的。通过这种方式，模型可以学习到实体和关系之间的语义关系，并用于预测缺失的三元组。

该方法在知识图谱补全任务上取得了很好的效果，并且被广泛应用于各种知识图谱相关的任务中。