【paper】 Interaction Embeddings for Prediction and Explanation in Knowledge Graphs
【简介】 本文是浙大和苏黎世大学的学者联合发表于 WSDM 2019 上的工作，文章提出了 CrossE，模型的思想也没有很高端，就是引入了一个矩阵C，用于计算实体和关系 crossover interaction，然后挖掘出可靠路径用于为链接预测提供解释。本文的重点有两个，一个是建模了 crossover interaction，另一个是对链接预测进行了 explanation。

问题定义

crossover interaction

crossover interaction 指的是实体和关系的双向（bi-directional）影响，包括从关系到实体的交互和从实体到关系的交互。

文章举了个栗子，为了说明关系（isFatherOf）影响了 information of entities to be chosen for inference，这是从关系到实体的交互；同样，实体信息也影响关系推断路径。

给定三元组(h,r,t)，crossE分四步：
1.对头实体 h 生成 interaction embedding hIhI；
2.对关系 r 生成 interaction embedding rIrI；
3.组合上面二者的 interaction embedding hIhI 和 rIrI；
4.比较组合 embedding 和尾实体 t 的相似性。

link prediction explanation

给出链接预测的解释，就是找出从头实体到尾实体的合理路径和相似结构以支持路径解释。

评价指标有：1.Recall；2.Average Support。

CrossE 模型

首先通过 one-hot 向量查表找到头尾实体和关系的 general embedding：

（1）头实体的 interaction embedding

crcr depends on 关系 r。

（2）关系的 interaction embedding

头实体的interaction embedding 与 r 做 Hadamard 积得到 r 的 interaction embedding。

（3）头实体与关系组合

（4）相似性度量

上一步得到的头实体与关系的组合表示与尾实体进行相似性度量：

整体的三元组打分函数为：

同时，为了对比 crossover interaction 的作用，文章还给出了没有 interaction 的简化版本：

Loss Function 采用 log-likelihood 的损失函数：

预测结果的解释

链接预测的解释，其实就是类比推理。对于预测出的三元组（X, isFatherOf, M），做出预测的原因有二：一是已有 premise (X, hasWife, Z) 和 (Z, hasChild, M)；二是左侧的 similar structure，存在这两个 premise 的 S 和 X 之间存在 hasChild 的关系。和昨天看的四边形的 ANALOGY 类比推理是一回事。

进行 explanation search 有两步：

1.寻找从 h 到 t 的闭合路径；
2.寻找 similar structure 作为 support。

实验

链接预测正确率

实验的效果根本就不是最优，不知道 introduction 里的 state-of-the-art 是怎么写出来的=.=|

explanation

举例展示了挖掘出的六种类比推理结构类型：

该模型没有给出代码。

【总结】 在这篇文章中学到/想到的一点是，如果方法/idea不是那么高端的话，可以通过多做实验另辟蹊径来弥补，如本文如果只做了 crossover interaction 的工作的话，就会显得单薄和鸡肋，但是因为加上了 explanation 这样一个工作重点，就会显得比较详实。

双线性模型（六）（CrossE、RotatE、TuckER） - 胡萝不青菜 - 博客园