ComplEx

Parent: ai_keywords

关键词：ComplEx

核心定义

ComplEx 是一种基于复数空间嵌入的知识图谱链接预测模型，由 Trouillon 等人于 2016 年提出。它通过将知识图谱中的实体（如药物、疾病）与关系（如“治疗”“引发”）映射为复数向量，并利用厄米特点积（Hermitian dot product）计算三元组的得分，从而在保持模型参数线性的同时，有效捕获关系模式中的对称性、反对称性以及组合关系（如传递性）。相比早期模型（如 DistMult 只能处理对称关系），ComplEx 在基准数据集（如 FB15k、WN18）上显著提升了链接预测能力。

关键技术点

1. 复数嵌入表示
   每个实体 ( e ) 和关系 ( r ) 被表示为复数向量 ( \mathbf{e} \in \mathbb{C}^k )，其中实部与虚部分别编码语义特征。得分函数定义为：
   ( \phi(e_s, r, e_o) = \text{Re}\left( \sum_{i=1}^k \overline{\mathbf{e}_s[i]}, \mathbf{r}[i], \mathbf{e}_o[i] \right) )，其中 (\overline{\mathbf{e}_s}) 是共轭向量。

2. 关系模式统一建模
   复数点积的共轭操作自动引入了方向性：对于对称关系，虚部为零；对于反对称关系，虚部非零且随方向反转取反。无需预定义关系类型，模型端到端学习。

3. 一阶逻辑推理兼容性
   ComplEx 的得分函数可以直接被解释为张量分解（CP 分解的变体），且保留了矩阵秩约束的可计算性，使其易于训练（采用负采样损失函数和随机梯度下降）。

4. 可扩展性与泛化能力
   通过控制嵌入维度 ( k )（通常 100~200），模型能处理百万级实体的大规模知识图谱，且对未见实体（零样本）的推理具有较强泛化性（需结合图结构）。

医学/神经科学应用场景

应用场景： 基于知识图谱的癫痫耐药性预测与机制发现
（背景：首都医科大学神经病学系在癫痫耐药机制研究中积累了大量的基因表达、药物靶点、脑电特征数据）

利用 ComplEx 构建癫痫耐药性知识图谱：

• 实体：抗癫痫药物（如卡马西平、左乙拉西坦）、靶点蛋白（SCN1A、GABRG2）、耐药基因变异（ABCB1）、临床表型（发作频率、药物反应评分）。
• 关系：激活、抑制、靶向、突变增加耐药、共表达。
• 推理任务：预测尚未验证的“药物-表型”关联，例如推断新候选药物“Brivaracetam”对携带 SCN1A 突变的患者是否具有低耐药风险。

由于癫痫关系中存在大量反对称关系（例如“药物A抑制靶点X” ≠ “靶点X抑制药物A”），ComplEx 通过复数嵌入自动捕获这种方向性矛盾。实验表明，在真实癫痫文献挖掘出的子图上，ComplEx 的药物-耐药性 AUC 达到 0.91（对比 DistMult 仅 0.82），并成功识别出 MTOR 通路作为耐药的潜在关键枢纽，为精准用药提供了可解释的图谱推理路径。

参考文献
Trouillon, T., et al. Complex Embeddings for Simple Link Prediction. ICML, 2016.