论文链接：

https://dl.acm.org/doi/pdf/10.1145/3459637.3482421

知识图谱表示学习旨在将实体和关系编码到一个连续的低维向量空间中。大多数现有方法主要在欧氏空间中学习结构三元组的表示，不能很好地利用知识图谱中的丰富语义信息。论文提出了一种双曲空间中的数据类型感知的知识图谱表示学习模型DT-GCN，首先，将属性值的数据类型细化为五类，包括整数、浮点、布尔、时间和文本型；然后，对于每种类型，设计不同的编码器用于学习其嵌入；最后，在欧氏空间、球形空间和双曲空间的基础上定义了一个具有连续曲率的统一空间，能够结合三种不同空间的优点。在合成数据集和真实数据集上的大量实验表明，模型的性能始终优于基线模型，证明了融入数据类型信息以及利用双曲空间和统一空间的优势。

DT-GCN的亮点主要包括：

1.首次在知识图谱表示学习中引入了属性值的数据类型这一语义信息；

2.首次探索了具有连续曲率的统一空间中的融入数据类型信息的知识图谱表示学习方法；

内容中包含的图片若涉及版权问题，请及时与我们联系删除