RelBall：基于四元数旋转的知识图谱补全新范式

背景

现实世界中的知识图谱（Knowledge Graphs, KGs）往往是不完整的，缺失了大量有效的三元组事实。知识图谱补全（Knowledge Graph Completion, KGC）旨在利用已知的三元组来预测缺失的链接，从而提升图谱的覆盖率。

在这一领域，建模多样化的关系模式是一个核心挑战。这些模式包括对称性（symmetry）、反对称性（antisymmetry）、逆关系（inversion）、组合性（composition）以及语义层级（semantic hierarchy）。

现有的主流模型如 RotatE 能够捕捉对称、反对称、逆关系以及可交换的组合模式，但在处理不可交换的组合关系时表现不佳。随后的 Rotate3D 模型通过引入三维旋转机制解决了不可交换性的问题，但它仍然无法有效捕捉知识图谱中普遍存在的语义层级结构。此外，这两个模型在建模一对一、一对多、多对一以及多对多关系时也存在局限性。

为克服上述限制，研究者提出了 RelBall 模型，旨在通过更强大的几何表示来统一处理上述所有复杂的关系模式。

核心内容

RelBall 是在 Rotate3D 基础上的重大改进，它引入了两项关键创新，以增强对复杂关系和语义结构的建模能力：

1. 模长变换与语义层级建模

RelBall 引入了模长变换（modulus transformation）机制来显式地建模语义层级。

• 抽象概念：被驱动向较小的模长（smaller moduli）靠拢。
• 具体实例：被驱动向较大的模长（larger moduli）靠拢。 这种设计使得模型的嵌入表示具有可解释的层级结构，模长的大小直接反映了实体的语义层级高低。

2. 尾节点中心的关系球（Tail-centric Relation Ball）

为了解决现有模型在处理一对多、多对一等复杂关系时的不足，RelBall 引入了“尾节点中心的关系球”概念。

• 该机制允许关系不仅仅是一个简单的变换算子，而是一个围绕尾节点构建的几何空间（球体）。
• 通过这种方式，模型能够更灵活地建模一对一（one-to-one）、一对多（one-to-many）、多对一（many-to-one）以及多对多（many-to-many）的各种关系模式。

3. RelBall 的主要优势

• 全覆盖的关系模式：能够涵盖上述提到的所有关系模式，包括对称、反对称、逆关系、可交换与不可交换的组合，以及语义层级。
• 可解释的层级表示：模长直接反映语义层级，提供了比纯向量旋转更丰富的语义信息。
• 灵活的基数支持：有效支持一对一、一对多、多对一和多对多关系，解决了 RotatE 和 Rotate3D 在此方面的短板。

实验结果表明，在多个数据集上，RelBall 在链接预测任务中的表现具有竞争力，优于多种基线模型。

关键要点

• 解决痛点：现有模型 RotatE 无法处理不可交换组合，Rotate3D 虽解决了不可交换性但忽略了语义层级，且两者均难以有效建模一对多/多对一等复杂基数关系。
• 核心创新一（层级）：通过模长变换区分抽象概念（小模长）和具体实例（大模长），实现了语义层级的几何化表达。
• 核心创新二（关系球）：提出“尾节点中心的关系球”，统一建模一对一、一对多、多对一、多对多四种关系基数。
• 统一框架：RelBall 是一个能够同时处理对称、反对称、逆关系、组合关系（可交换/不可交换）以及语义层级的统一框架。
• 性能验证：在多个标准数据集上的实验证明，RelBall 的链接预测性能具有竞争力，验证了其理论设计的有效性。

意义与影响

RelBall 的提出标志着知识图谱嵌入技术在几何表示学习上的进一步演进。其意义主要体现在以下几个方面：

1. 语义表达的精细化：传统的旋转模型主要关注方向（角度），而 RelBall 通过引入模长，将“大小”这一维度与语义层级挂钩。这使得模型不仅能理解实体间的结构关系，还能理解实体的抽象程度，提升了嵌入的可解释性。
2. 复杂关系的统一建模：知识图谱中的关系极其复杂，往往不是单一的函数映射。RelBall 通过关系球的概念，更好地模拟了现实世界中“一个主体对应多个客体”或“多个主体对应一个客体”的非确定性或多对多关联，提高了模型对真实世界数据分布的拟合能力。
3. 对后续研究的启发：该工作证明了在四元数或高维旋转空间中引入模长变化和非线性几何结构（如球体）的有效性，为未来设计更复杂的知识图谱补全模型提供了新的思路，特别是在需要兼顾结构关系与语义层级的场景中。