知識圖譜嵌入 是什麼？
Knowledge Graph Embedding：知識圖譜嵌入 的完整解釋
一種技術，將知識圖譜中的實體和關係嵌入到連續向量空間，以便進行關係預測和推理。
核心概念
知識圖譜是結構化數據的表示，包含實體（nodes）和關係（edges）。傳統知識圖譜是符號表示（離散、符號化），不利於機器學習。嵌入技術將符號表示轉換為向量表示，從而能應用深度學習、相似度計算等技巧。
KGE 的目標是學習到一個評分函數 f(h, r, t)，使得：
- 正確三元組（h, r, t）的評分高（接近 1 或 0）
- 負例三元組的評分低
通過這個學習過程，實體和關係的嵌入向量編碼了知識圖譜的結構和語義。
運作原理
基礎評分函數：不同的 KGE 方法定義不同的評分函數。常見的包括：
TransE：最簡單和最知名的方法。假設 h + r ≈ t（頭實體加上關係向量接近尾實體），評分為 -||h + r - t||。
TransH：改進 TransE，允許關係有不同的表示空間。在關係特定的超平面上進行平移。
TransR：進一步改進，每個關係有自己的投影矩陣，將實體投影到關係特定的空間。
RotatE：將嵌入解釋為複數空間，使用旋轉表示關係。評分為 -||h * r - t||，其中 * 表示逐元素複數乘法（旋轉）。
DistMult：使用雙線性評分函數，適合建模對稱關係。評分為 h^T diag(r) t。
ComplEx：DistMult 在複數域的擴展，能建模不對稱關係。
訓練目標：使用負採樣和邊際損失訓練：
L = Σ [γ + f(h', r, t') - f(h, r, t)]_+
其中 (h', r, t') 是負例，γ 是邊際（margin），[x]_+ = max(0, x)。
- 優化：使用隨機梯度下降或 Adam 優化器，常與正規化（實體/關係嵌入範數約束）結合。
實際應用
知識圖譜補全：Google 知識圖譜、DBpedia、Freebase 等大規模知識圖譜都包含缺失的三元組。KGE 預測新的三元組，擴充知識圖譜。
推薦系統：使用知識圖譜的項目、屬性、用戶交互，KGE 學習隱向量，改進推薦精度。阿里巴巴、騰訊等應用此技術。
問答系統：在開放域問答中，KGE 幫助從知識圖譜檢索相關實體和關係，回答「誰是…」、「什麼是…」等問題。
實體對齊：在多個知識圖譜間識別相同實體（如維基百科和 DBpedia 中的同一人物）。KGE 提供統一的向量空間。
語義搜尋：利用嵌入的語義相似性，改進搜尋引擎的結果。查詢可轉換為向量，與實體嵌入比較找最相似的實體。
鏈接預測和關係分類：預測兩個實體間的關係類型，用於自動知識圖譜構建和信息抽取。
常見誤區
誤區一：所有 KGE 方法在所有圖上性能相同。不同方法針對不同類型的關係優化。TransE 對一對多、多對一關係表現差，RotatE 和 ComplEx 更適合這些情況。選型需根據圖的關係特性而定。
誤區二：嵌入維數越高越好。高維嵌入增加參數，容易過擬合。常見維數為 50-200，超過 500 通常無益。最優維數需透過實驗確定。
誤區三：KGE 能自動發現隱藏的關係。KGE 只能預測訓練時見過的關係類型。對於新出現的關係類型或跨領域的類比，KGE 無法直接應用。
誤區四：KGE 評分高的三元組一定正確。模型訓練的目標是在正例上評分高於負例，但這不保證預測是邏輯上正確的。常見情況是模型學到虛假的統計相關性而非因果關係。
與相關技術的比較
圖神經網路：GNN 在知識圖譜上聚合鄰域特徵，學習節點表示。KGE 方法（尤其是基於平移的方法）不直接利用結構信息，而是基於評分函數優化。混合方法結合二者優勢。
符號推理：符號知識圖譜推理使用邏輯規則（如 SPARQL 查詢）。KGE 是統計方法，能處理不完整和不確定的知識，但缺乏符號推理的可解釋性。
語言模型嵌入：預訓練語言模型（如 BERT）能為文本生成嵌入。KGE 專門針對知識圖譜的結構，與語言模型可互補（如將實體描述與結構嵌入結合）。
路徑排名演算法（PageRank）：PageRank 是圖的全局排序演算法，不學習嵌入。KGE 學習局部的向量表示，更適合相似度計算和關係預測。