Learning Entity and Relation Embeddings for Knowledge Graph Completion

最新推荐文章于 2024-08-23 12:42:38 发布
最新推荐文章于 2024-08-23 12:42:38 发布
阅读量4.8k 收藏 4
点赞数
分类专栏： 自然语言处理 文章标签： 知识图谱
本文介绍了知识图谱补全的研究，重点探讨了TransE、TransH模型及其局限性，提出TransR和Cluster-based TransR（CTransR）方法，通过实体和关系的独立空间映射提升表示能力。实验表明，CTransR在链接预测和知识图谱补全任务中表现出优越性能。
摘要由CSDN通过智能技术生成

我们这样来训练embeddings，首先把 实体空间 映射到对应的 关系空间，然后在 已经映射的实体间 建立翻译。
实验中，我们通过这样的任务评估模型，link预测，三元组分类，关系事实抽取。

知识图谱补全的目标是预测实体间的关系，在有监督的已有知识图谱下。
知识图谱补全类似社交网络分析中的link预测，不同点是知识图谱补全中，我们不仅要预测关系存在，还要预测关系类型。
最近比较流行把知识图谱embedding到连续向量空间。

相关模型

TransE和TransH

TransE是h+r≈t，表示h+r的最近的邻居是t，打分公式就是
TransE
TransE在1对1的关系应用很好，但是N对1，1对N，N对N关系中有问题。针对这个问题，TransH提出了，r就在超平面TransH上，h和t映射到超平面

了解本专栏 订阅专栏 解锁全文 超级会员免费看
FocusOneThread
关注
专栏目录
订阅专栏
【PaperReading】Knowledge Graph Embedding Based Question Answering
小哲的博客
05-03 3119
Knowledge Graph Embedding Based Question Answering Xiao Huang, Jingyuan Zhang, Dingcheng Li, Ping Li 基于问答的知识图谱嵌入 Abstract Question answering over knowledge graph(QA-KG) aimstouse facts in the knowledg...
PaperReading-TransR,《Learning Entity and Relation Embeddings for Knowledge Graph Completion
赵亮的CSDN博客
06-11 510
本文记录了阅读TransR论文时的相关内容，如果有做相关工作的同学，欢迎与我沟通联系 zhaoliang19960421@outlook.com 背景 TransR论文的提出还是为了来解决在TransE中无法解决的自反、一对多、多对一的关系问题。 有一个很显然的想法就是，在知识图谱中的实体和关系是不一样，那么他们存在的语义空间也就应该不一样，实体空间就是专门的来表示实体上的属性，关系空间就是来表示实体之间的关系内容的。 TransR就是利用这样的想法，对于实体和关系分别构建了一个空间（空间维度可以一样，也就
Learning Entity and Relation Embeddings for Knowledge Graph Completion (TransR)论文翻译
鲁鲁晓生
03-28 3293
整理转自：fffnull 的 CSDN 博客，感谢他的翻译分享 论文原文地址：Learning Entity and Relation Embeddings for Knowledge Graph Completion
知识图谱的基本概念
最新发布
weixin_44455665的博客
08-23 800
知识图谱（英语：Knowledge Graph），是结构化的语义知识库，用于以符号形式描述物理世界中的概念及其相互关系。其基本组成单位是“实体-关系-实体”三元组，以及实体及其相关属性-值对，实体间通过关系相互联结，构成网状的知识结构。知识图谱可以实现Web从网页链接向概念链接转变，支持用户按主题而不是字符串检索，真正实现语义检索。基于知识图谱的搜索引擎，能够以图形方式向用户反馈结构化的知识，用户不必浏览大量网页即能准确定位和深度获取知识。[1]示例图在知识表示中，知识图谱是一种知识库，其中的数据通过。
论文解读：（TransR）Learning Entity and Relation Embeddings for Knowledge Graph Completion
夏栀的博客
12-04 7614
论文解读：（TransR）Learning Entity and Relation Embeddings for Knowledge Graph Completion   TransH在TransE基础上做出的改进，提高了知识表示的效果，在一定程度上解决了复杂关系的处理，同时在链接预测、三元组分类和关系抽取任务上相比传统的方法（距离模型、非结构模型、单层神经网络、双线性模型等）达到最优，然而Tra...
【论文笔记】《Learning Entity and Relation Embeddings for Knowledge Graph Completion》
weixin_45841983的博客
10-18 3652
学习实体和关系嵌入在完成知识图谱中的应用1 题目2 摘要3 问题定义4 方法及原理4.1 TransE模型[2]4.2 TransH模型[3]4.3 TransR模型5 研究成果5.1 链接预测5.2 关系抽取5.3 三元组分类6 创新点7 个人体会 1 题目 英文原标题： Learning Entity and Relation Embeddings for Knowledge Graph Completion 中文译题： 学习实体和关系嵌入在完成知识图谱中的应用 2 摘要 论文摘要的中文翻译内容 知识图
Learning+Entity+and+Relation+Embeddings+for+Knowledge+Graph+Completion
10-22
"Learning Entity and Relation Embeddings for Knowledge Graph Completion" 是一篇经典的知识图谱补全论文，提出了一种基于向量嵌入的方法来解决知识图谱中的三元组缺失问题。该方法通过将实体和关系映射到低维...
参考文献
buwanmei_xiaohai的博客
10-25 1135
##记录一下自己HS归类的参考文献吧（开题内容）~~~~~~~~~~~~~~ 基于知识增强语义表示模型的海关商品归类研究 #主要从HS自动归类、基于神经网络的文本分类、知识表示学习三个部分进行阐述。 HS自动归类； [1] 谢维,李银胜,邵永臻,吴晓彦.HS编码查询知识库设计与实现[J].计算机应用与软件, 2008(08):143-146. [2] Liya Ding;ZhenZhen Fan...
Learning Entity and Relation Embeddings for Knowledge Graph Completion翻译笔记（学习实体和关系嵌入以完成知识图谱）
weixin_56242678的博客
04-17 2050
Learning Entity and Relation Embeddings for Knowledge Graph Completion翻译笔记（学习实体和关系嵌入以完成知识图谱）
Iteratively Learning Embeddings and Rules for Knowledge Graph Reasoning.pdf
08-09
Reasoning is essential for the development of large knowledge graphs,especiallyforcompletion,whichaimstoinfernewtriples basedonexistingones.Bothrulesandembeddingscanbeusedfor knowledgegraphreasoningandtheyhavetheirownadvantages anddifficulties.Rule-basedreasoningisaccurateandexplainable butrulelearningwithsearchingoverthegraphalwayssuffersfrom efficiencyduetohugesearchspace.Embedding-basedreasoningis morescalableandefficientasthereasoningisconductedviacomputationbetweenembeddings,butithasdifficultylearninggood representationsforsparseentitiesbecauseagoodembeddingrelies heavilyondatarichness.Basedonthisobservation,inthispaper we explore how embedding and rule learning can be combined together and complement each other’s difficulties with their advantages.WeproposeanovelframeworkIterEiterativelylearning embeddingsandrules,inwhichrulesarelearnedfromembeddings with proper pruning strategy and embeddings are learned from existingtriplesandnewtriplesinferredbyrules.Evaluationson embeddingqualitiesofIterEshowthatruleshelpimprovethequality of sparse entity embeddings and their link prediction results. Wealsoevaluatetheefficiencyofrulelearningandqualityofrules fromIterEcomparedwithAMIE+,showingthatIterEiscapableof generatinghighqualityrulesmoreefficiently.
TuckER：Tensor Factorization for Knowledge Graph Completion.pdf
08-09
Knowledge graphs are structured representations of real world facts. However, they typically contain only a small subset of all possible facts. Link prediction is a task of inferring missing facts based on existing ones. We propose TuckER, a relatively simple but powerful linear model based on Tucker decomposition of the binary tensor representation of knowledge graph triples. TuckER outperforms all previous state-of-the-art models acrossstandardlinkpredictiondatasets. Weprove that TuckER is a fully expressive model, deriving the bound on its entity and relation embedding dimensionality for full expressiveness which is several orders of magnitude smaller than the bound of previous state-of-the-art models ComplEx and SimplE. We further show that several previously introducedlinearmodelscanbeviewedasspecial cases of TuckER.
知识图谱论文梳理【TransR：用于知识图完成的学习实体和关系嵌入】
m0_49230366的博客
06-24 1129
知识图谱论文梳理【 HyTE：基于超平面的时序知识图谱】 知识图谱论文梳理【 TransE：】 知识图谱论文梳理【 TransH：】 知识图谱论文梳理【 TransR：】 知识图谱论文梳理【 TransD：】 知识图谱论文梳理【 TransA：】 知识图谱论文梳理【 TransG：】 知识图谱论文梳理【 Transparse：】 知识图谱论文梳理【 TransA+：】Knowledge graph completion aims to perform link prediction between enti
知识图谱补全-ProjE: Embedding Projection for Knowledge Graph Completion
UpUp的博客
12-05 2356
ProjE: Embedding Projection for Knowledge Graph Completion阅读笔记backgroundmotivationmodelexperimentsconclusion 会议：Proceedings of the Thirty-First AAAI Conference on Artificial Intelligence (AAAI-17) author : Baoxu Shi and Tim Weninger University of Notre Dam
论文浅尝 | Open world Knowledge Graph Completion
开放知识图谱
01-30 5661
来源：AAAI2018论文链接：https://arxiv.org/pdf/1711.03438.pdf代码链接：https://github.com/bxshi/ConMask本文解决知识库补全的问题，但和传统的 KGC 任务的场景有所不同。以往知识库补全的前提是实体和关系都已经在 KG 中存在，文中把那类情况定义为 Closed-World KGC。从其定义可以发现它是严重依赖已有KG连接的，
阅读文章：Incorporating Knowledge Graph Embeddings into Topic Modeling
smileyk的专栏
10-13 1173
阅读文章：Incorporating Knowledge Graph Embeddings into Topic Modeling这是一篇发表到AAAI-17的Oral的文章：Incorporating Knowledge Graph Embeddings into Topic ModelingIntroduction：主体模型PLSA或者LDA作为无监督模型，若没有人类领域知识的帮助，得到的主题经
深度之眼Paper带读笔记GNN.05.TransE/H/R/D
老毛的博客
11-14 1800
前言 本课程来自深度之眼，部分截图来自课程视频。 文章标题：Translating Embeddings for Modeling Multi-relational Data 知识图谱向量化表示 作者：Antoine Bordes, Nicolas Usunier, Alberto Garcia-Duran/Jason Weston, Oksana Yakhnenko 单位：CNRS, France/Google 发表会议及时间：NIPS 2013 公式输入请参考：在线Latex公式 文章虽然较早，但是有好
TuckER:Tensor Factorization for Knowledge Graph Completion
qq_42397330的博客
04-30 1557
TuckER: Tensor Factorization for Knowledge Graph Completion 论文来源：ICML2019 论文链接：https://arxiv.org/abs/1901.09590 代码链接：https://github.com/ibalazevic/TuckER 总结：这篇文章利用了一个高级的公式，可能很多人看到这个公式就怕了，确实如此，我看到这个公式就晕了，不知道其中的具体含义，其实如果你实在搞不懂具体的意思，也可以忽略，大致理解作者的想法就行了，我是在看
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值