知識圖譜補全（Knowledge Graph Completion）是什麼？

預測知識圖譜中缺失的事實（三元組），填補現有知識圖譜的不完整部分。

核心概念

知識圖譜補全的核心任務是：給定一個不完整的知識圖譜（包含節點和邊），預測應該存在但尚未被記錄的關係。這類似於推薦系統中的物品推薦，但針對的是結構化知識。

知識圖譜通常由數百萬甚至數十億的三元組組成，形如「(頭實體, 關係, 尾實體)」。例如「(巴黎, 首都, 法國)」或「(李明, 工作地點, 谷歌)」。由於自動抽取的限制和信息更新的滯後性，許多應該存在的三元組並未被記錄。知識圖譜補全的目標是識別這些缺失的三元組並將其添加。

補全的價值在於提高下游應用的效果。在問答系統中，完整的知識圖譜能回答更多用戶問題；在推薦系統中，補全後的用戶-商品-特性關係能更準確地推薦；在實體消歧中，豐富的關係信息幫助系統區分同名實體。

運作原理

知識圖譜補全的方法主要分為三類：

• 基於翻譯的方法（TransE、TransH、TransR）：將每個實體看作向量空間中的一點，每個關係看作向量空間中的平移。三元組 (h, r, t) 被視為滿足 h + r ≈ t。通過訓練這些向量，使得已知三元組滿足上述約束，對於新的候選三元組，計算 h + r 與 t 的距離，距離小則高概率存在該關係。

• 基於語義的方法（DistMult、ComplEx、SimplE）：將實體和關係都嵌入到向量空間，使用不同的評分函數衡量三元組的相似度。DistMult 使用點積評分，ComplEx 處理不對稱關係，SimplE 使用簡單的向量操作但效果不錯。

• 基於路徑的方法：利用現有三元組構造實體間的連接路徑，路徑越短、權重越高，則兩個實體間更可能存在直接關係。結合規則學習，可以發現如「(A, 父親, B) 且 (B, 父親, C) 則 (A, 爺爺, C)」的邏輯規則。

在實現中，模型需要平衡多個目標：最大化已知三元組的評分，最小化不存在三元組的評分；防止過擬合，保證模型能泛化到未見過的實體和關係；處理長尾關係（低頻率但重要的關係）。

實際應用

Google 的知識圖譜、百度知識圖譜等都應用了補全技術。在 Google 搜索中，如果用戶搜索「巴黎天氣」，系統需要知道巴黎的地理位置，而知識圖譜補全確保這些地理關係被準確記錄。

在電商平台中，補全技術用於完善商品的屬性知識圖譜。例如，已知某商品為「手機」和「品牌A製造」，補全可推斷該商品應具有「電池容量」、「屏幕尺寸」等屬性，幫助推薦系統更精準匹配用戶需求。

在生物醫學領域，科研人員建立的藥物-蛋白質-疾病知識圖譜往往不完整。補全技術可預測潛在的藥物靶點關係，輔助新藥發現。製藥公司如羅氏、諾華等採用類似方法加速研發。

在政府數據治理中，補全技術幫助完善機構信息、企業信息等知識圖譜，支持政務大數據平台和公共信息查詢。

常見誤區

一個誤區是認為知識圖譜補全的準確度越高越好。實際上，不是所有缺失的三元組都應該被補全。有些關係的缺失是有意的（例如隱私信息），有些是現實中不存在的關係。補全模型應該區分「真實缺失」和「不存在」，盲目補全可能引入錯誤信息。

另一個誤區是以為單一的補全模型適用於所有關係類型。不同關係的特性差異很大。例如「夫妻」關係是對稱的，而「父親」關係是不對稱的。一個通用模型可能不如針對特定關係類型優化的模型效果好。

有人認為補全就是簡單的統計推斷。實際上，高質量的補全需要深刻理解實體和關係的語義。基於翻譯的方法在處理某些複雜關係時性能不佳，需要結合多種信息源和外部知識。

與相關技術的比較

• 知識圖譜補全 vs 關係抽取：兩者都涉及識別實體間的關係，但抽取是從文本中提取新的三元組，補全是從現有圖中預測缺失的三元組。前者關注新信息發現，後者關注已有信息的完善。

• 知識圖譜補全 vs 實體鏈接：實體鏈接將文本中的提及鏈接到知識圖譜中的實體，補全預測實體間的缺失關係。前者解決的是「提及對應哪個實體」，後者解決的是「實體間應該有什麼關係」。

• 知識圖譜補全 vs 知識圖譜嵌入：嵌入是補全的基礎技術。補全通常依靠嵌入模型學習的向量表示來評估候選三元組的可信度。嵌入更關注向量空間的學習，補全更關注預測的準確性。

• 知識圖譜補全 vs 推理：推理通過邏輯規則進行演繹（「A是B的父親，B是C的父親，則A是C的爺爺」），補全更多基於統計和相似度。推理得到的結論確定性更高但規則有限，補全的覆蓋面更廣但存在噪聲。