自动化知识图谱表示学习从三元组到子图的核心要点如下：知识表示学习的目标：将知识图谱中的实体与关系映射到低维向量空间，以连续的向量形式保留符号信息，便于后续应用。整体框架：定义打分函数：用于评估知识图谱中三元组或子图的合理性。负样本设计：生成不合理的三元组或子图作为负样本，用于训练模型。损失函数设定：根据打分函数和负样本设计，设定损失函数以优化模型。正则化：用于平衡模型的表达能力和复杂度，减少过拟合。模型优化：通过循环迭代优化损失函数，更新embedding和模型参数。模型设计策略：三元组策略：针对关系建模，直接处理三元组信息。路径策略：通过路径表示捕捉实体间的复杂关系。子图策略：利用子图结构学习全局信息，特别是基于子图的图神经网络模型，如REDGNN，展现出强大能力。自动化机器学习的应用：整合搜索空间与目标，实现Bilevel优化，有效降低复杂度与提升性能。通过算法如KGTuner实现高效搜索与优化超参数。AutoSF与AutoSF+等算法针对relation矩阵搜索，通过渐进式与遗传算法优化搜索效率。实验结果与未来方向：双线性模型在链接预测任务中表现优异。Interstellar模型结合神经网络结构搜索与AutoML方法，实现高效与准确的模型搜索。未来研究方向包括通过AutoML优化模型结构，探索子图学习等潜力领域。