SpherE: Expressive and Interpretable Knowledge Graph Embedding for Set Retrieval

知识图谱（KG）存储了大量的关系事实（头部、关系、尾部），可用于各种应用。虽然许多下游任务高度依赖于KG的表达建模和预测嵌入，但大多数当前的KG表示学习方法，其中每个实体被嵌入为欧几里得空间中的一个向量，每个关系被嵌入为一个转换，都遵循实体排名协议。一方面，这种嵌入设计不能捕捉到多对多关系。另一方面，在许多检索情况下，用户希望获得一个精确的答案集，而不需要排名，尤其是当结果需要精确时，例如哪些基因会导致某种疾病。这些场景通常被称为“集合检索”。本研究首次探讨了KG集合检索问题。我们表明，集合检索高度依赖于多对多关系的表达建模，并提出了一种新的KG嵌入模型SpherE来解决这个问题。SpherE基于旋转嵌入方法，但每个实体被嵌入为一个球体而不是向量。虽然继承了基于旋转的模型的高可解释性，但我们的SpherE可以更加表达一对多、多对一和多对多的关系。通过大量实验证明，我们的SpherE可以很好地解决集合检索问题，同时具有很好的推断缺失事实的预测能力。代码可在https://github.com/Violet24K/SpherE上获取。

本文旨在解决知识图谱中的集合检索问题，即如何精确获取一组答案而不需要排名。当前的知识图谱表示学习方法无法捕捉多对多关系，因此需要一种新的嵌入模型来解决这个问题。

本文提出了一种新的知识图谱嵌入模型SpherE，它基于旋转嵌入方法，但将每个实体嵌入为一个球体而不是向量，从而更好地表达多对多关系。

本文通过大量实验表明，SpherE可以很好地解决集合检索问题，并且在推断缺失事实方面具有良好的预测能力。此外，作者还提供了代码和数据集供其他研究人员使用。

在最近的研究中，也有一些关于知识图谱嵌入的工作，如TransE、TransH、RotatE等。