关键词：知识图谱 表示学习 开放世界假设 邻居 语义亲和力 

摘要：知识图谱(knowledge graph,KG)打破了不同场景下的数据隔离,为实际应用提供基础支持.表示学习将KG转换到低维向量空间来为KG应用提供便利.然而,KG的表示学习目前存在2个问题:1)假设KG满足闭合世界假设,要求所有实体在训练中可见.实际上,大多数KG都在快速增长,例如DBPedia平均每天产生200个新实体.2)采用矩阵映射、卷积等复杂的语义交互方式提高模型的准确性,这样做也限制了模型的可扩展性.为此,针对允许新实体存在的开放KG,提出一种表示学习方法TransNS.它选取相关的邻居作为实体的属性来推断新实体,并在学习阶段利用实体之间的语义亲和力选择负例三元组来增强语义交互能力.5个传统数据集和8个新数据集对比了TransNS与最经典的表示学习方法,结果表明:TransNS在开放KG上表现良好,甚至在基准闭合KG上优于现有模型.

计算机研究与发展杂志要求:

{1}摘要200字左右，应具有独立性和自明性，阐明撰写该文的目的、方法、结论并体现出原创性，不加引注。

{2}来稿请恪守学术道德，严禁抄袭。

{3}来稿经审查后,编辑部有权对来稿作适当文字修改.来稿不退,请作者自留底稿。

{4}间接引文通常以“参见”或“详见”等引领词引导，反映出与正文行文的呼应，标注时应注出具体参考引证的起止页码或章节。标注项目、顺序与格式同直接引文。

{5}本期刊的文献引证方式均采用页下注（脚注），采用小五号宋体，每页单独编号，注释中卷次、出版时间、刊期、页码一律用阿拉伯数字表示。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社