360|中国队刷新知识图谱“世界杯” 一看冠军团队我愣住了中国队刷新知识图谱“世界杯

知识图谱领域的“世界杯”OGB（Open Graph Benchmark）wikikg2榜单，又被刷新了！
上榜的这支团队首次参加即夺冠，还在前五中占据两席。这两年，中国科技公司在人工智能领域高歌猛进，夺冠似在情理之中。
但意料之外的是，这支团队却出自一家“非典型科技公司”——在大众认知里顶着“数字安全”标签的360 。
且参与比赛的三人，乍眼一看也并非一个星光熠熠，大神云集的顶配组合：一位2019年刚刚毕业的硕士，一位去年才加入公司的“新人”，还有一位实习生。
但这样一支团队，这一次击败了AI三巨头LeCun、Yoshua Bengio分别坐镇的Meta FAIR实验室和MILA实验室，在脸书、阿里巴巴、第四范式等国内外耳熟能详的顶尖AI科研团队中脱颖而出。
甚至以几乎最小参数量的模型实现了最好的效果：

文章图片

△OGB-wikikg2排行榜数据
那么问题来了，360的提交和公开的参赛模型为何能打败一众竞争者登顶？获胜者又为何是360？
先从团队登上榜首所采用的TripleRE + NodePiece方法说起。
模型登顶后还持续“就业”
所谓的TripleRE + NodePiece，就是团队基于自己开发的原创模型TripleRE，再结合已有的NodePiece算法的一种创新方法。
其中，TripleRE模型正是他们这次获胜的关键。
TripleRE，全名Knowledge Graph Embeddings Via Triple Relation Vectors，直译过来就是通过三份关系向量进行知识图谱嵌入。
先解释一下知识图谱嵌入。
众所周知，知识图谱是一个将不同种类的信息连接得到的关系网络，是一种抽象描述现实世界及其关系的方法。
节点（Point）和边（Edge）是其组成的基本元素，一个头实体，一个关系，一个尾实体就能组成一个三元组，用以表示“知识”或“事实” 。

文章图片

三元组虽然能有效表示结构化数据，但其底层符号的特性会使知识图谱很难操作，也常常致使知识图谱不完整。
这就需要一种补全的方法：知识图谱嵌入。
这种方法又叫知识表示学习（KRL），具体来说，是将知识图谱的实体和关系嵌入连续向量或矩阵空间中，可以在保留实体和关系语义的同时，学习知识图谱的低维表示。

文章图片

而开头提到的通过三份关系向量则是一种具体实现知识图谱嵌入的方法。
以往的知识图谱嵌入方法，比如2020年提出的PairRE模型，主要通过两个用于关系表示的向量将头尾实体分别投影到欧式空间，再最小化投影向量的距离：

文章图片

而TripleRE模型则把向量切分成三份，两份和PairRE一样学习投影特征，一份学习平移特征，这就是“三份向量的嵌入”，正与模型名称相吻合。

文章图片

通过引入三段的关系表示，TripleRE模型变因此能提取更多关系上的特征。
在此基础上，360的参赛团队还引入了去年6月份刚刚提出的一种知识模型领域的新方法，NodePiece，核心就是用较小的子实体大规模实体嵌入。