QubitE:用于知识图谱补全的量子嵌入模型
知识图谱补全任务通过预测知识图谱中缺失的事实补全知识图谱.基于量子的知识图谱嵌入(KGE)模型利用变分量子电路,通过测量量子比特状态的概率分布对三元组进行评分,评分高的三元组即为缺失的事实.但是目前基于量子的KGE要么在优化过程中失去了量子优势,矩阵酉性被破坏,要么需要大量参数用于存储量子态,从而导致过拟合和低性能.此外,这些方法忽略了对于理解模型性能必不可少的理论分析.为了解决性能问题和弥合理论差距,提出了QubitE模型:将实体嵌入作为量子位(单位复向量),将关系嵌入作为量子门(酉复矩阵),评分过程为复矩阵乘法,利用核方法进行优化.该模型的参数化方式能在优化中保持量子优势,时空复杂度为线性,甚至可以进一步实现基于语义的量子逻辑计算.此外,从理论上可以证明该模型具有完全表达性、关系模式推理能力和包含性等,有助于理解模型性能.实验表明,QubitE在一些基准知识图谱上可以取得与最先进的经典模型相当的结果.
知识图谱、知识图谱补全、知识图谱嵌入、表示学习、量子比特
50
TP391(计算技术、计算机技术)
2023-11-17(万方平台首次上网日期,不代表论文的发表时间)
共9页
201-209