开放性知识库的规范化（个人理解：这里的规范化实际上就是将相同语义的实体或关系聚集在一起，从而表示一个实体或关系），主要是OPENie提取的过程中没有进行区分，最近的研究发现，开放KBS的规范化实际上是特征空间的聚类，我们提出使用知识图谱嵌入+边信息的方法来得到（经过查询，KBE应该主要用在语义查询，链接预测等方面，这里创新性的用在知识库的规范化中）embedding，然后对embedding进行聚类

当然有些工作可以起到类似的作用，比如通过实体链接将短语链接到现有数据库中，但是这种方法效果并不好，我们这里采用新的CESI方法进行KB的规范化

    KBE详解：首先我们清楚KB都是一些三元组组成的，一般来说都是（head，rela，tail）这样形式，但是如果我们要进行机器学习，则必须将三元组转化为向量来进行计算，那如何做这种嵌入，则首先要假设一个score函数，这个函数是来度量head与tail在某个关系上的相似度，主要是TransE和DistMult两大类代表，有了这个scre函数后，便可以设定positive triplets更高，而negative triplets更低（负样本在正样本的基础上生成）

这个KBE也是本篇文章的核心，也就是下面的公式：

    这个公式主要由三部分组成，第一部分就是前面提到的KBE部分，在score函数的基础上进行目标函数的构建：score函数主要是采用HOLE：如下：

    同时score函数经过逻辑激活函数与排序损失函数，得到现在的目标函数，后面的两项就是边信息（其实这个地方我不太明白为什么直接加），关于边信息，分为名词的边信息与关系的边信息，这个边信息在我看来是一种属性，一种名词与名词，关系与关系是否相等的附加项，比如名词链接边信息，当两个名词链接到同一个实体时，便表明这两个名词在语义上是相同的，在后面聚类的时候就会考虑到这个因素