Knowledge graph (KG) embedding is to embed components of a KG including entities and relations into continuous vector spaces, so as to simplify the manipulation while preserving the inherent structure of the KG. It can benefit a variety of downstream tasks such as KG completion and relation extraction, and hence has quickly gained massive attention. In this article, we provide a systematic review of existing techniques, including not only the state-of-the-arts but also those with latest trends. Particularly, we make the review based on the type of information used in the embedding task. Techniques that conduct embedding using only facts observed in the KG are first introduced. We describe the overall framework, specific model design, typical training procedures, as well as pros and cons of such techniques. After that, we discuss techniques that further incorporate additional information besides facts. We focus specifically on the use of entity types, relation paths, textual descriptions, and logical rules. Finally, we briefly introduce how KG embedding can be applied to and benefit a wide variety of downstream tasks such as KG completion, relation extraction, question answering, and so forth.
Bei der Einbettung von Wissensgraphen (KG) werden die Komponenten eines KG, einschließlich Entitäten und Beziehungen, in kontinuierliche Vektorräume eingebettet, um die Bearbeitung zu vereinfachen und gleichzeitig die inhärente Struktur des KG zu erhalten. Sie kann für eine Vielzahl von nachgelagerten Aufgaben wie KG-Vervollständigung und Relationsextraktion von Nutzen sein und hat daher schnell große Aufmerksamkeit erlangt. In diesem Artikel geben wir einen systematischen Überblick über die vorhandenen Techniken, wobei wir nicht nur den aktuellen Stand der Technik, sondern auch die neuesten Trends berücksichtigen. Dabei wird insbesondere auf die Art der bei der Einbettung verwendeten Informationen eingegangen. Zunächst werden Techniken vorgestellt, die die Einbettung nur anhand der in der KG beobachteten Fakten durchführen. Wir beschreiben den allgemeinen Rahmen, das spezifische Modelldesign, typische Trainingsverfahren sowie die Vor- und Nachteile solcher Techniken. Danach werden Techniken diskutiert, die neben Fakten auch zusätzliche Informationen einbeziehen. Wir konzentrieren uns insbesondere auf die Verwendung von Entitätstypen, Beziehungspfaden, textuellen Beschreibungen und logischen Regeln. Abschließend stellen wir kurz vor, wie die KG-Einbettung auf eine Vielzahl von nachgelagerten Aufgaben wie KG-Vervollständigung, Beziehungsextraktion, Beantwortung von Fragen usw. angewendet werden kann und davon profitiert.