多元关系知识表示学习方法研究综述

作     者：杭婷婷 丁海超 郭亚 冯钧 HANG Tingting;DING Haichao;GUO Ya;FENG Jun

作者机构：安徽工业大学计算机科学与技术学院安徽马鞍山243032 河海大学水利部水利大数据重点实验室南京211100 河海大学计算机与软件学院南京211100 

出 版 物：《计算机工程与应用》 (Computer Engineering and Applications)

年 卷 期：2025年第61卷第3期

页      面：62-83页

核心收录：

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(62306007) 国家重点研发计划(2023YFC3209203) 安徽工业大学科研基金(QZ202209) 

主　　题：知识表示学习 二元关系 多元关系 链接预测 

摘      要：知识表示学习旨在将知识库中的实体和关系转化为机器能够理解和处理的形式,从而提升模型的分析与推理能力。针对传统二元关系知识表示学习的局限,如忽略高阶关系、缺乏扩展性和有限的表达力,多元关系知识表示学习方法应运而生。全面综述了多元关系知识表示学习方法。梳理和分析了知识表示学习相关综述工作;阐释了知识表示学习和链接预测的基本概念,并根据超图、角色、超关系这三种表示形式,定义了多元关系知识表示学习任务;从基于平移距离、张量分解、卷积神经网络、图神经网络和其他类型五类方法,展示了该领域的研究进展;介绍了常用的数据集与评价指标,并通过链接预测任务评估了不同模型的性能;探讨了目前方法存在的问题和挑战,并对未来的研究方向提出了展望。