---
title: "知識圖譜嵌入（Knowledge Graph Embedding）"
slug: knowledge-graph-embedding
language: zh-TW
source: https://aiterms.tw/terms/knowledge-graph-embedding
updated_at: 2026-06-22
tags: [機器學習, 深度學習, 知識圖譜, AI應用]
ipas_term: false
---

# 知識圖譜嵌入（Knowledge Graph Embedding）

一種技術，將知識圖譜中的實體和關係嵌入到連續向量空間，以便進行關係預測和推理。

## 完整說明

知識圖譜嵌入（KGE）是將知識圖譜中的實體和關係表示為低維向量的技術。知識圖譜通常以三元組形式存儲（頭實體、關係、尾實體），如（Albert Einstein, nationality, Germany）。嵌入方法將實體和關係映射到向量空間，使得正確的三元組對應的向量組合接近，錯誤的三元組組合距離遠。KGE 是知識圖譜補全、推理和應用的基礎，已廣泛應用於搜尋引擎、推薦系統、問答系統等領域。

## 常見問題

### TransE、RotatE 和 ComplEx 分別適用於什麼類型的知識圖譜？

TransE 基於頭尾平移，對一對一關係（每個頭對應一個尾）性能最好，但對一對多、多對一、多對多關係表現差。RotatE 使用複數旋轉，能自然處理對稱關係、反對稱關係和組合關係，更通用。ComplEx 在複數域上操作，也能處理複雜關係類型。選擇時：關係簡單且大多一對一 → TransE；關係多樣 → RotatE 或 ComplEx；計算資源有限 → TransE。實踐中，RotatE 是更好的通用選擇。

### 如何選擇知識圖譜嵌入的維數？

嵌入維數影響模型的表現力和計算複雜度。常見選擇為 50、100、200、500。實驗步驟：(1) 從 50 開始嘗試，逐步增加到 200，(2) 在驗證集上評估關係預測性能，(3) 當性能開始平台期或下降時停止。通常 100-200 已足夠捕捉大多知識圖譜的結構。更大的維數（500+）對實體/關係數少的圖（<100k 實體）通常無益，反而增加過擬合風險。

### KGE 如何與節點或邊的側面信息（如描述、類型）結合？

純結構的 KGE（如 TransE）不利用側面信息。若有側面信息，可採用：(1) 融合嵌入，在評分函數中結合結構和語義相似度，(2) 預訓練，用描述訓練文本編碼器（如 BERT），將實體文本嵌入與結構嵌入連接，(3) 多模態學習，聯合優化結構損失和文本相似損失。這些方法通常能顯著改進補全性能，特別是在稀疏的知識圖譜上。

---

來源：https://aiterms.tw/terms/knowledge-graph-embedding
快查頁：https://aiterms.tw/terms/knowledge-graph-embedding
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-knowledge-graph-embedding