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。