近年来，知识图谱（Knowledge Graph, KG）已经在许多人工智能任务中得到了广泛应用。知识图谱通过使用头实体（head entity）、关系（relation）和尾实体（tail entity）的三元组（Triplet）表示事物及其关系，如典型三元组(h = Paris, r = capital_of, t = France)表示真实世界的一个常识事实。虽然知识图谱已经成为智能问答、实体消歧、语义网络搜索和事实核查等众多下游人工智能应用的重要资源，但现存的知识图谱并不完美，常常存在缺失关系或包含错误的问题。为了应对这些问题，知识图谱嵌入（Knowledge Graph Embedding, KGE）成为了一个主要的任务，它通过学习图谱中的结构信息和潜在逻辑规则来预测缺失的事实。 ...

知识图谱（Knowledge Graph，KG）嵌入技术是人工智能领域中的一个重要研究课题，主要用于知识获取和知识图谱的扩展。近年来，尽管有许多基于图嵌入的方法被提出，但这些方法通常只能关注知识图谱的语义信息，忽略了图的自然结构信息。因此，尽管图卷积网络（Graph Convolutional Networks，GCN）方法能够捕捉部分结构信息，但由于知识图谱的不完全性，它们仍然面临信息不足的问题。为了克服这一问题，本研究提出了一种新的模型，即深度关系图信息增益（Deep Relational Graph Infomax，DRGI），通过互信息（Mutual Information，MI）最大化充分利用了结构信息和语义信息。 本文由来自中国电子科技大学未来媒体中心的Shuang Liang,...