Two-Dimensional Taxonomy for $n$-Ary Knowledge Representation Learning Methods

doi:10.1109/tkde.2026.3731554

Two-Dimensional Taxonomy for $n$-Ary Knowledge Representation Learning Methods

2026-09-08

0

PRE

AI

DOI：10.1109/tkde.2026.3731554

原文链接

原文求助

摘要

En 中文

现实世界知识可以采取多种形式，包括结构化、半结构化和非结构化数据。其中，知识图谱（KGs）是结构化表示，将异构数据源整合为结构化表示。然而，KGs通常将复杂的n元关系简化为简单三元组，从而丢失高阶关系细节。相比之下，超图通过超边自然表示n元关系，直接连接多个实体。近期进展催生了多种超图表示学习方法；然而，它们常忽视超边中的实体角色，限制了细粒度语义建模。为解决这些问题，知识超图（KHGs）和超关系知识图谱（HKGs）结合KGs和超图的优势，以更好地捕捉现实世界知识的复杂关系结构和角色特定语义。本文对n元关系数据的表示学习方法进行了结构化综述，重点关注静态KHGs和HKGs。我们提出二维分类法：第一维度基于方法论对模型进行分类，包括基于翻译的模型、基于张量分解的模型、基于深度神经网络的模型、基于逻辑规则的模型和基于超边扩展的模型。第二维度根据模型对n元关系中实体角色和位置的认知程度，将其分为位置感知型、角色感知型和无感知型方法。最后，我们总结了基准数据集、训练设置、负采样策略和基准式性能比较，并概述开放挑战以启发未来研究。

Keyword:

$n$ -ary relational data

$n$ -ary relational representation learning

hyper-relational fact

hyper-relational knowledge graph

hyper-relational knowledge graph representation learning

knowledge hypergraph

knowledge hypergraph representation learning

multi-arity relation

survey

taxonomy

Two-Dimensional Taxonomy for $n$-Ary Knowledge Representation Learning Methods

摘要

期刊

机构

引用论文