知识图谱表示学习是人工智能和知识图谱领域的热门研究问题,旨在将知识图谱中实体和关系投影到连续向量空间,通过训练知识图谱嵌入模型,学习每个实体关系的低维稠密向量,进而自动预测图谱三元组中任一缺失成分,实现知识图谱补全和知识图谱推理等核心任务。知识图谱表示学习可以在离散符号化知识图谱和深度神经网络模型之间搭建有效的知识特征通道,极大地提升知识图谱在各项人工智能任务中的应用价值,为认知智能乃至通用人工智能的下一次技术进步奠定基础。近年来,为了提高知识图谱嵌入模型的预测精度,前沿模型的发展趋势呈现高维度,高算力,高耗时的特点。这类高维大模型通常采用几百维乃至上千维的高维向量表示每个实体,在基准数据集上取得少许精度提升。然而,当面对包含数百万或数十亿个实体的大规模知识图谱时,高维大模型需要海量的训练成本和存储空间,难以根据下游应用需求快速更新知识图谱表示,也无法部署在移动设备等低资源硬件环境上,阻碍了知识表示学习技术的发展和普及。本文聚焦在低维向量空间条件下的知识图谱表示学习方法研究。在避免盲目参数扩张,贴合实际应用需求的前提下,分析模型成本和模型精度的影响因素,优化知识图谱嵌入模型的关键技术组件,突破低维向量空间下的模型性能瓶颈,实现轻量化、高精度、低成本的知识图谱表示学习解决方案。本文的主要研究内容包括如下三个方面:1.基于多源数据整合的知识表示学习增强框架。首先,针对知识图谱实体的外部信息分布不均衡问题,本文提出了基于双重邻居的知识实体嵌入增强框架Co NE。通过构造双重邻居信息,整合文本描述和拓扑邻居中的实体特征。设计基于深度记忆网络的编码器模型对双重邻居信息编码,用以增强知识图谱嵌入模型的实体嵌入向量。其次,针对低维向量空间表征能力不足和高维教师模型训练成本高的问题,本文采用知识蒸馏方法增强模型的训练标签序列。通过设计一种新颖的多教师主动蒸馏框架,整合多个预训练低维模型的预测结果,为学生模型提供有效的监督信息。实验结果表明本文提出的方法可以显著提升低维知识图谱嵌入模型的预测精度和训练速度。2.基于低维欧式空间的知识表示学习高效模型。首先,针对现有双曲几何模型的计算复杂度过高问题,本文提出了两个基于欧式空间的轻量级知识图谱嵌入模型。Rot L模型简化了双曲空间运算,同时保留了双曲模型的灵活归一化效果。Rot2L模型进一步采用一种双层栈式“旋转—平移”变换模块,提高模型的表征能力,同时保持较低的计算复杂度。其次,针对现有模型预测精度不足,三元组置信度难以评估的问题,本文提出了一种基于因果干预理论的知识图谱嵌入模型置信度测量方法。首先本方法依次修改输入实体每个维度的向量数值,构造出多个邻域干预向量。然后通过评估知识表示学习模型干预前后预测结果的稳健性来推断预测置信度。3.基于对比学习分析的知识表示学习训练策略。首先本文深入剖析了知识表示学习和自监督对比学习之间的关联。基于对比学习领域最新分析成果,提出全新的知识表示学习训练策略Ha LE。针对现有基于负采样损失函数训练周期长,训练梯度不稳定的问题,本文设计了一种基于查询采样的新损失函数,它可以更高效地实现两个重要的训练目标,正样本特征对齐和实体分布均匀性。其次,本文分析了低维双曲线模型中的非线性函数的难度感知能力,由此提出了一种轻量级的难度感知激活机制,可以帮助知识图谱嵌入模型专注于困难实例并加快收敛速度。实验结果表明,Ha LE策略训练的模型经过短时间训练即可获得高预测精度,并且在低维和高维条件下达到接近现有最优模型的性能。