Learning Entity and Relation Embeddings for Knowledge Graph Completion
- Abstract
TransE和TransH将实体和关系映射到同一语言空间。但是一个实体可能有多种关系。因此TransR就是将实体和关系放到不同的空间。
- Background
相似的实体在实体空间中距离很近,但是由于不同的实体会有许多的语言,因此在此方面,看似相似的两个实体其实差距很大。在特定的投影下,会将相似的实体投射在特定的关系空间中。在投射后,不同语义实体的距离将在关系空间中变大。
在分段线性回归的思想下,将头尾实体聚类成组,研究每组的关系向量,称其为CTransR。
- Algorithm
设定投影矩阵M,则的实体的投影为:
CTransR:
对每个关系下的头尾实体进行聚类,并为每一个类别分配一个向量来表示,以挖掘细粒度的关系语义。
其中,r是同一组的关系向量(通过TransE的(h-r)获得),rc和Mr是学习获得的,alph控制约束效果
打分函数:
损失函数:
- Experiment
投影矩阵初始化单位矩阵,使用SGD(随机梯度)
数据集的选择:
link prediction
It is obvious that by clustering we can learn more precise and fine-grained rela- tion embeddings, which can further help improve the perfor- mance of knowledge graph completion.
triplets classification
relational fact extraction
- Conclusion
- 探索关系的相互关联;
- 探索统一的文本端和知识图谱的嵌入模型;
- CRTransR只是关系内部的初步探索