知识图谱补全
基于知识表示的方法
知识表示学习：对知识图谱中的实体和关系学习其低维度的嵌入式表示。
常见的知识表示学习方法：主要是以 TransE 法及其变种为核心，针对空间映射等场景做的改进
基于实体和关系的表示对缺失三元组进行预测；
利用实体描述信息，可以解决开放域实体补全的问题；
基于路径查找的方法
可使用基于路径查找的方法来处理这类多步推理问题。
传统的路径查找方法主要是 PRA 方法（Path Ranking Algorithm）；但是这种方法对于包含较大规模的知识图谱来说，会由于路径数量爆炸式增长，导致特征空间急剧膨胀
可以尝试用 embedding 的方式表示关系，对关系进行泛化，并基于此对知识的补全进行建模，以缓解路径数量过多导致的特征空间膨胀问题。
- 给定实体对集合，利用 PRA 查找一定数量的路径；
- 路径计算过程中加入实体类型信息（减少长尾实体影响）；
- 使用 RNN 沿着路径进行向量化建模；RNN 模型参数在不同关系之间共享；
- 通过比较路径向量与待预测关系向量间的关联度来进行关系补全。
基于强化学习的方法
前面提到的两种方法，仍然存在若干的问题：
- 需要基于 random walk 来查找路径；
- 而 random walk 算法在离散空间中运行，难以评价知识图谱中相似的实体和关系；
- 超级结点可能影响 random walk 算法运行速度。
强化学习方法：
- 在连续空间中进行路径搜索；
- 通过引入多种奖励函数，使得路径查找更加灵活、可控。
DeepPath
DeepPath: A Reinforcement Learning Method for Knowledge Graph Reasoning
- 任务：查找 Band of Brothers 和 English 之间的关系。
- 路径起点：Band of Brothers
- 状态：实体中的 embedding
- 动作：图谱中的关系；
- 奖励
- Binary，是否到达终点
- 路径长度
- 路径多样性
- 策略网络：使用全连接网络。
DeepPath 方法仍然存在一些缺陷：知识图谱本身的不完善很可能对路径查找造成影响。
Collaborative Policy Learning for Open Knowledge Graph Reasoning
在路径查找过程中，通过抽取关系，将缺失的路径补全。