这篇文章发表于NeurIPS 2018。

感觉文章作者还是有很强的数学功底的，论文中CP分解部分不太容易理解。

总结

这篇文章是基于CP分解。文中认为CP分解中，对实体e分别用两个vector来表示，即\(h_e\)与\(t_e\)。其中\(h_e\)表示 e 处于头实体时的embedding, \(t_e\)是尾实体的embedding。关系\(r\)只有一种表示。

作者认为这种方式有不足的地方，比如说：

假如(\(e_1\), \(r_1\), \(e_2\))是\(e_1\)爱看某个电影，(\(e_2\), \(r_2\), \(e_3\))是\(e_2\)中有\(e_3\)参演。但它们彼此之间没有联系，但直观上感觉\(e_3\)是否参演对\(e_1\)是否爱看这部电影应该是有影响的。

于是SimplE为这个边构造了一个反向边(绿色所示)，这样\(e_2\)与\(e_3\)的更新就会影响到(\(e_1\), \(e_2\))

目标是使所有 \(\langle h_e, r, t_e\rangle\) 与 \(\langle t_e, r^{-1}, h_e\rangle\) 最小（或者最大化）。测试时只会使用 \(r\)，而不会使用 \(r^{-1}\)。

文忠认为SimplE的表达能力是全面的，能够处理 Symmetric / anti-symmetric / inverse / transitive 所有类型的关系。