KG2E 论文笔记

已于 2022-03-12 09:40:05 修改
阅读量655 收藏 2
点赞数
分类专栏： 知识图谱论文 文章标签： 自然语言处理 知识图谱 人工智能 深度学习 机器学习
于 2022-03-09 15:45:06 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Jay98/article/details/123379183
版权

Learning to Represent Knowledge Graphs with Gaussian Embedding

Shizhu He, Kang Liu, Jun Zhao.
ACM (2015).


- 预备知识

多元高斯分布
https://www.cnblogs.com/bingjianing/p/9117330.html

KL散度（相对熵）
https://baike.baidu.com/item/%E7%9B%B8%E5%AF%B9%E7%86%B5/4233536?fr=aladdin

数学期望：
https://baike.baidu.com/item/%E6%95%B0%E5%AD%A6%E6%9C%9F%E6%9C%9B/5362790?fr=aladdin

还可见：
深度学习花书的第二章（概率论）

- Abstract

高斯分布
the representations of KGs in the space of

最低0.47元/天 解锁文章
懒狗的救赎
关注
专栏目录
PaperReading-KG2E 《Learning to Represent Knowledge Graphs with Gaussian Embedding》
赵亮的CSDN博客
06-20 2454
本文时 KG2E，《Learning to represent knowledge graphs with gaussian embedding》的论文阅读笔记，如果有做相关工作的同学可以与我联系 zhaoliang19960421@outlook.com 背景 之前的TransX系列的论文都是在欧式空间中对实体和关系进行表征，然后利用基于空间中点相似度的计算方法来计算势能（通过关系翻译的头实体和真实尾实体之间的差距） 在论文中提出了之前的Trans系列论文没有关注到的点，在本文中称之为实体/关系的准确性
知识图谱嵌入经典方法（Trans系列、KG2E）
qq_44015059的博客
11-01 7232
1. 知识图谱嵌入 相关内容部分来自：https://zhuanlan.zhihu.com/p/147542008 2.1 知识表示的一些背景知识 通常，我们使用三元组(head, relation, tail)来表示知识。在这里，头和尾是实体。例如，(sky tree, location, Tokyo)。我们可以用独热向量来表示这个知识。但实体和关系太多，维度太大。当两个实体或关系很近时，独热向量无法捕捉相似度。受Wrod2Vec模型的启发，我们想用分布表示来表示实体和关系。 1.1.1 下游任务的应用
知识图谱嵌入KGE 之 高斯嵌入模型
Norstc的博客
09-23 1345
作者：AI科技评论 链接：https://zhuanlan.zhihu.com/p/80149671 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 KG2E模型。He等人认为，知识库中的关系和实体的语义本身具有不确定性，而过去模型中都忽略这个因素。因此，He等人提出KG2E，使用高斯分布来表示实体和关系。其中高斯分布的均值表示的是实体或关系在语义空间中的中心位置，而高斯分布的协方差则表示该实体或关系的不确定度。 图3为KG2E模型示例，每个圆圈代表不同实体与关系的.
知识表示学习 (二) —— Gaussian space
weixin_43886056的博客
12-15 797
知识表示学习 (二) —— Gaussian space 文章目录知识表示学习 (二) —— Gaussian space一、KG2E(2015)二、TransG(2016)Chinese Restaurant Process(CRP)三、实验3.1 KG2E3.2 TransG   基于翻译的模型处理TransE及其变体的基于Point-Wise Space的模型，还有基于Gaussian space的模型，代表有KG2E、TransG等。 一、KG2E(2015) 论文链接：Learning to Re
PaperWeekly 第十期
weixin_34119545的博客
08-01 698
引 本期PaperWeekly的主题是基于翻译模型(Trans系列)的知识表示学习，主要用来解决知识表示和推理的问题。表示学习旨在将研究对象的语义信息表示为稠密低维实值向量，知识表示学习主要是面向知识图谱中的实体和关系进行表示学习。使用建模方法将实体和向量表示在低维稠密向量空间中，然后进行计算和推理。一般而言的应用任务为triplet classifi...
关于信息抽取的整理总结(下)
hqc888688的专栏
06-22 1万+
关于信息抽取的整理总结(下)
【论文笔记】Explainable Reasoning over Knowledge Graphs for Recommendation
BodyCsoulN的博客
11-04 1086
笔记作者：刘泽鑫 原文作者：Xiang Wang，Dingxian Wang，Canran Xu, Xiangnan He, Yixin Cao, Tat-Seng Chua 原文标题：Explainable Reasoning over Knowledge Graphs for Recommendation 原文来源：AAAI 2019 原文链接：https://ojs.aaai.org//index.php/AAAI/article/view/4470 Explainable Reasoning ove
【论文笔记】（Corr 2022） Knowledge Graph Embedding Methods for Entity Alignment: An Experimental Review
weixin_38875585的博客
04-07 1483
Knowledge Graph Embedding Methods for Entity Alignment: An Experimental Review 原文 代码 1 Intro 基于关系的方法：基于关系三元组或路径等实体结构学习嵌入； 基于属性的方法：基于实体名称/标识或文本属性等事实特征学习嵌入。 问题1：影响基于关系的方法（如负采样、邻域范围）和基于属性的方法（如文字和文本描述的使用）有效性的关键因素是什么？这些方法的调参敏感性如何？ 问题2：如何提升同时考虑实体结构关系和属性值的方法的效果？
【论文笔记】KGAT: Knowledge Graph Attention Network for Recommendation
BodyCsoulN的博客
11-23 1010
原文作者：Xiang Wang，Xiangnan He，Yixin Cao，Meng Liu，Tat-Seng Chua 原文标题：KGAT: Knowledge Graph Attention Network for Recommendation 原文来源：KDD 2019 原文链接：https://arxiv.org/abs/1905.07854 本文提出了一种新的推荐方法KGAT，能够根据实体间的高阶关系特征建模，并具有一定的可解释性。以端到端方式对KG的高阶连通性进行了显式建模。递归地从节点的邻居(
《Beta Embeddings for Multi-Hop Logical Reasoning in Knowledge Graphs》论文阅读笔记
weixin_44965520的博客
04-09 1467
《Beta Embeddings for Multi-Hop Logical Reasoning in Knowledge Graphs》论文阅读笔记 主要挑战贡献： KG上的推理挑战主要有两个：1.KG的规模很大，每跳一步候选答案集的候选答案数量便指数增长，因此通过跳转来寻找答案不现实；2.绝大多数的现实世界的KG根本不完全，缺少很多边（关系），因此跳转可能都跳不动，根本无法找到答案。 BetaE是第一个可以在大型异构知识图谱上处理**所有逻辑操作符号（包括存在、交、或、非，之前主要是无法处理逻辑“非”）
TransE算法（Translating Embedding）
热门推荐
u011274209的专栏
03-27 6万+
介绍TransE算法（Translating Embedding）
「知识表示学习」专题论文推荐 | 每周论文清单
Paper weekly
02-05 1480
本期论文清单来自清华大学博士生韩旭和北师大本科生曹书林，涵盖了近年知识表示学习方向的重要论文。[ 综述类 ]■ 论文 | Representation Learning: A Review and New Perspectives■ 链接 | https://www.paperweekly.site/papers/1628■ 源码 | 无■ 论文 | Knowledge Representatio
历史最全、最细、近一年最新 知识图谱相关经典论文分享
lqfarmer的博客
09-06 4305
本资源包含了知识图谱相关最全、最细、以及近一年最新经典论文，涉及知识表示、知识建模、知识抽取基础（数据采、实体识别、关系抽取、事件抽取）、 知识融合、 知识图谱表示学习、知识存储、基于知识的智能问答、实体链接、知识推理等所有知识图谱相关的知识点。 资源整理自网络，源地址：https://github.com/npubird/KnowledgeGraphCourse 知识图谱构建 ...
知识图谱 论文
Talk Is Cheap
07-03 5402
基于张量分解的知识图谱表示学习： Large-scale factorization of type-constrained multi-relational data Querying factorized probabilistic triple databases Logistic tensor factorization for multi-relational data Reduc
【论文解读】HyTE
BINGO's BLOG
07-05 2781
HyTE:基于超平面时间感知的知识图谱Embedding 一个人可以非常清贫、困顿、低微，但是不可以没有梦想。只要梦想一天，只要梦想存在一天，就可以改变自己的处境。 — 奥普拉·温弗瑞 Trans系列的主题是基于翻译模型的知识表示学习，主要用来解决知识表示和推理的问题。本文主要介绍TransE和数据集Wordnet、Freebase等。 表示学习：主要面向知识图谱中实体和关系进行表示学习，一般...
知识表示学习Trans系列梳理(论文+代码)
zenRRan的博客
05-29 4964
来自：AI自然语言处理与知识图谱知识表示学习Trans系列梳理导语：本文将简短梳理知识表示学习Trans系列方法，包含TransE、TransH、TransR、TransD、TransA...
基于翻译模型（Trans系列）的知识表示学习
wp_csdn的专栏
03-19 2万+
翻译模型（Trans） 解决问题：知识表示与推理 将实体向量表示（Embedding）在低维稠密向量空间中，然后进行计算和推理。 主要应用：triplet classification, link prediction 目前基于翻译模型（Trans系列）的知识表示学习的研究情况 TransE, NIPS2013, Translating embeddings for mode...
根据质能方程E=mc2，10kg物质可以完全转化为多少能量
最新发布
09-26
根据质能方程 E=mc^2，10kg物质可以完全转化为多少能量的话，公式为：E=10 * c^2，其中 c 是光速，约等于 3 x 10^8 m/s。所以，10kg物质可以完全转化为 10 * (3 x 10^8)^2 = 9 x 10^16 的能量。 ### 回答2： 根据...
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