【论文标题】BoxE: A Box Embedding Model for Knowledge Base Completion 【作者团队】Ralph Abboud, Ismail Ilkan Ceylan, Thomas Lukasiewicz,Tommaso Salvatori 【发表时间】2020.10.29 【论文链接】https://arxiv.org/abs/2007.06267 【论文代码】https://github.com/ralphabb/BoxE 【推荐理由】论文收录于NeurIPS-2020会议，研究人员提出一个空间翻译嵌入模型BoxE，同时解决现有嵌入模型的应用限制，达到了最优的效果

知识库补全的目的是通过利用知识库中已经存在的知识自动推断出缺失的事实。知识库补全的一个有效的方法是将知识嵌入到潜伏空间中，并从学习的嵌入中进行预测。然而，现有的嵌入模型应用至少受到以下的一个限制：（1）理论上不可表达，（2）缺乏对突出推理模式的支持，（3）缺乏对知识库在higher-arity关系上的支持，（4）缺乏对结合逻辑规则的支持。论文提出的BoxE模型将实体编码为点，将关系编码为一组超矩形，这些矩形在空间上描述了基本的逻辑属性。这个看似简单的抽象产生了一个完整的表达模型，为许多所需的逻辑属性提供了自然的编码。BoxE可以从丰富的规则语言类中捕捉和注入规则，远远超出了单个推理模式的范围。通过设计，BoxE可以自然地适用于higher-arity知识库中。研究人员进行了详细的实验分析，表明BoxE无论是在基准知识库上，还是更通用的知识库上，都达到了最先进的性能，实验进一步证实了整合逻辑规则的效果。

图：简单的BoxE模型

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