RDF-star2Vec: RDF-star Graph Embeddings for Data Mining

知识图谱（KGs）如资源描述框架（RDF）数据通过三元组（<主语，谓语，宾语>）的结构表示各种实体之间的关系。知识图谱嵌入（KGE）在机器学习应用中非常重要，特别是在节点分类和链接预测任务中。KGE仍然是语义网社区内一个重要的研究课题。RDF-star引入了引用三元组（QT）的概念，这是一种特定形式的三元组，可以作为另一个三元组的主语或宾语使用。此外，RDF-star允许QT在另一个QT中作为组合实体，从而使递归、超关系知识图谱具有嵌套结构的表示成为可能。然而，现有的KGE模型未能充分学习QT和实体的语义，主要是因为它们没有考虑包含多级嵌套QT和QT-QT关系的RDF-star图。本研究介绍了RDF-star2Vec，这是一种专门为RDF-star图设计的新型KGE模型。RDF-star2Vec引入了图遍历技术，可以在QT和其组合实体之间进行概率转移。通过结构化跳过-gram模型，生成序列的QT、实体和关系的特征向量。此外，我们提供了一个数据集和一个基准测试框架，用于针对复杂的RDF-star图的数据挖掘任务。评估实验表明，RDF-star2Vec在分类、聚类、实体相关性和QT相似性等各种任务中表现优异，比最近的RDF2Vec扩展表现更好。

RDF-star2Vec试图解决的问题是如何在KGs中学习QTs和实体的语义表示，并解决RDF-star图中多层嵌套QTs和QT-QT关系的表示问题。

RDF-star2Vec通过引入图遍历技术，利用结构化skip-gram模型生成序列，从而为QTs、实体和关系提取特征向量，并在复杂的RDF-star图数据集上进行了评估。

论文提出了一个新的KGE模型RDF-star2Vec，用于学习RDF-star图中QTs和实体的语义表示。同时，论文还提供了一个数据集和基准框架，用于评估RDF-star图数据集上的分类、聚类、实体相关性和QT相似性等数据挖掘任务。实验结果表明，RDF-star2Vec在各项任务中表现出优异的性能。

相关研究包括RDF2Vec和其扩展版本，以及其他KGE模型如TransE和DistMult。