DistMult

Parent: ai_keywords

DistMult：知识图谱嵌入的双线性分解模型

【核心定义】

DistMult 是一种基于张量分解的知识图谱嵌入（KGE）模型，由 Yang 等人在 2014 年提出。它将知识图谱中的每个三元组（头实体 h，关系 r，尾实体 t）映射到一个低维向量空间，并通过双线性打分函数 f(h, r, t) = e_h^T · diag(r_r) · e_t 计算其合理性分数。其中 e_h、e_t 为实体嵌入向量，r_r 为关系嵌入向量（对角矩阵形式），模型通过最大化正确三元组的分数进行训练。

【关键技术点】

1. 双线性模型与对角化假设
   将关系表示为对角矩阵，大幅简化计算复杂度（从 O(d^2) 降至 O(d)）。但该假设天然要求关系具备对称性（即 f(h,r,t)=f(t,r,h)），无法有效建模非对称关系（如“父亲”与“儿子”）。

2. 嵌入维度与正则化策略
   嵌入维度 d 是核心超参数：维度过低导致欠拟合，过高则易过拟合。DistMult 常采用 ℓ2 正则化或 Dropout 缓解过拟合，尤其在稀疏医学知识图谱中需谨慎调优。

3. 负采样与损失函数
   通过随机替换头/尾实体生成负三元组，使用交叉熵损失或 margin-based 排序损失（如 max-margin）训练。最新改进包括自对抗负采样（Self-Adversarial Negative Sampling）以提升鲁棒性。

【医学/神经科学应用场景】

案例：基于多模态知识图谱的脑卒中危险因素与基因-药物关联预测
首都医科大学神经病学团队可整合脑卒中患者的临床数据库、GWAS 基因位点、药物靶点及通路文献，构建多关系知识图谱（如 基因-A 关联-卒中风险, 药物-B 抑制-基因C）。利用 DistMult 学习实体与关系的嵌入表示后，可完成以下任务：

• 非对称关系规避：由于脑卒中的“危险因素→疾病”关系本质为非对称（如高血压 vs. 卒中），需先对关系进行对称化预处理（如引入逆关系 r^-1），避免 DistMult 的对称性限制。
• 缺失链接预测：输入待预测三元组 (基因X, 调节, 通路Y)，模型输出分数。结合首都医科大学附属宣武医院的真实病例，可筛选出与脑卒中复发相关的未知基因-通路交互，指导后续功能验证。
• 药物重定位：通过 (药物A, 治疗, 卒中) 三元组分数排序，从现有已获批药物库中推荐可能降低卒中风险的候选分子（如抗高血压药物新适应症）。

该模型计算效率高，适合处理大规模神经疾病知识图谱（如癫痫基因-脑区连接、帕金森病生物标志物网络），但需注意对称性缺陷，通常采用 ComplEx 或 RotatE 等扩展模型弥补。