知识图谱包含一个实体集 $\epsilon$、一个关系集 $\Re$和一个三元组集T。更准确地说，一个知识图谱表示为 $g=\left(\epsilon ,\Re ,{\rm T}\right)$，其中 ${\rm T}=\left\{\left(h,r,t\right)\right\}\subseteq \epsilon \times \Re \times {\rm T}$。基于特定分数函数，传统的知识图谱嵌入方法经常学习嵌入来表示每个实体和关系，以预测缺失的三元组(即链路预测)。本文的目标不是存储所有实体和关系的嵌入，而是设计一个参数较少的模型来编码实体嵌入，与传统的KGE方法相比，获得具有竞争力的性能，使参数更有效。在本文提出的实体不可知表示学习EARL中，只学习一小部分实体的特定嵌入，并将它们称为保留实体 [3] 。在实际操作中， ${\epsilon }^{res}$中的实体是事先随机选择的。作者对三种可区分的信息进行编码，以获得所有实体的嵌入。由于编码器中的参数数量与实体数量无关，因此编码过程可以减少参数空间开销 [4] 。下 图1 直观地展示了这种方法。

遵循传统的KGE训练方案，作者优化EARL使训练集中的正三元组得分高于抽样的负三元组。在EARL中可以使用许多分数函数。为了展示其通用性，使用代表性方法RotatE [5] 作为EARL中的打分函数： $f\left(h,r,t\right)=-\Vert h\circ r-t\Vert$。实体和关系被映射到复杂的向量空间， $h,r,t\in C^d$。

对于损失函数，作者采用广泛使用的自对抗负采样损失 [6] ：

$\Gamma \left(h,r,t\right)=-\log \sigma \left(r+f\left(h,r,t\right)\right)-{\displaystyle \underset{i=1}{\overset{n}{\sum }}p\left({h^{\prime }}_i,r,{t^{\prime }}_i\right)\log \sigma \left(-r-f\left({h^{\prime }}_i,r,{t^{\prime }}_i\right)\right)}$

其中， $\gamma$是固定边界， $\sigma$是sigmoid函数， $\left({h^{\prime }}_i,r,{t^{\prime }}_i\right)$是采样负三元组，n是负三元组的数量。 $p\left({h^{\prime }}_i,r,{t^{\prime }}_i\right)$是这个负三元组的自对抗权重 [7] ，计算如下：

$p\left({h^{\prime }}_j,r,{t^{\prime }}_j\right)=\frac{\exp \alpha f\left({h^{\prime }}_j,r,{t^{\prime }}_j\right)}{{\displaystyle {\sum }_i\exp \alpha f\left({h^{\prime }}_j,r,{t^{\prime }}_j\right)}}$

其中， $\alpha$是温度系数。