论文浅尝 | Complex Embeddings for Simple Link Prediction

最新推荐文章于 2022-12-07 18:40:43 发布
最新推荐文章于 2022-12-07 18:40:43 发布
阅读量6.5k 收藏 13
点赞数 4
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/TgqDT3gGaMdkHasLZv/article/details/79081541
版权
本文介绍了一种用于链接预测的复数嵌入(ComplEx)方法，旨在更好地处理知识库中的对称和非对称关系。通过复数表示，解决了实数向量表示无法有效区分非对称关系的问题。实验表明，ComplEx在对称和非对称关系的链接预测上表现出色，且在WN18和FB15数据集上优于其他模型。
摘要由CSDN通过智能技术生成

The ́o Trouillon, Johannes Welb, Sebastian Riedel, ÉricGaussier, Guillaume Bouchard . Complex Embeddings for Simple Link Prediction. In Proceedings of the 33ndInternational Conference on Machine Learning, pages 2071– 2080 (ICML2016)

论文链接：http://proceedings.mlr.press/v48/trouillon16.pdf

在统计关系学习里，链接预测问题是自动理解大规模知识库结构的核心。为了更好得把握知识库二元关系中的对称和非对称关系，本文提出了基于复数的表示方法 ComplEx。

一些研究工作将链接预测看作是三维二元张量补全的问题，张量的每一个slice表示知<

最低0.47元/天 解锁文章
开放知识图谱
关注
  • 4
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
图神经网络实战（13）——经典链接预测算法
盼小辉丶的博客
06-11 2428
链接预测 (Link prediction) 可以帮助我们理解和挖掘图中的关系，并在社交网络、推荐系统等领域提供更准确的预测和决策支持。为了解决链接预测问题，研究者们提出了多种方法。本节将介绍基于局部和全局邻域的启发式方法。
知识图谱-KGE-模型：概述【翻译模型：Trans系列】【双线性模型：DisMult、ComplEx】【神经网络模型：ConvE、CapsE】【双曲几何模型：MuRP】【旋转模型：RotatE】
u013250861的博客
11-24 1540
MuRP评分函数为 ，其中 表示在庞加莱圆盘中计算距离， 表示将庞加莱圆盘中的点映射到欧式空间， 表示对角矩阵， 表示将欧式空间中的点转移到庞加莱圆盘中， 是莫比乌斯加法，为庞加莱空间中两向量相加， 表示曲率。针对DisMult存在的问题，ComplEx把DisMult扩展到复数空间表示，并定义评分函数为 f_{r}(h,t) = Re(h^Tdiag(M_r)\bar{t}) ，其中 h, t 均用复数表示， \bar{t} 表示 t 的共轭复数，Re(\cdot) 表示取得复数的实部。
Complex Embeddings for Simple Link Prediction
damuge2的博客
03-14 2665
Complex Embeddings for Simple Link Prediction来源背景使用低秩正规矩阵的实部作为关系低秩分解二元多关系数据上的应用损失函数实验部分 来源 ICML 2016 Theo Trouillon ´ 1;2 THEO.TROUILLON@XRCE.XEROX.COM Johannes Welbl3 J.WELBL@CS.UCL.AC.UK Sebastian R...
[论文阅读] Complex Embeddings for Simple Link Prediction
qq_31225201的博客
03-08 1926
pdf：http://proceedings.mlr.press/v48/trouillon16.pdf code：https://github.com/ttrouill/complex [ICML2016] 知识图谱可以看作是清洗过的知识库，包含实体、关系，其中实体包括头实体和尾实体。利用表示学习方法可以将实体、关系嵌入到低维实值向量中，并捕捉实体及关系中的复杂语义关系。这篇文章解决的是关系预测问题。 模型 二进制单一关系 a single type of relation 在两个实体之间的关系可以用一个
链接预测学习总结
热门推荐
chuhang123的博客
11-29 1万+
链接预测（Link Prediction）是知识图谱嵌入（Knowledge Graph Embedding）的应用之一，将知识图谱中实体和关系的内容映射到连续向量空间中，对知识图谱中的实体或关系进行预测，即（h,r,?），（?,r,t），（h,?,t）三种知识图谱的补全任务。本篇文章主要介绍基于图结构的链接预测，比较流行的方法有基于相似度的、概率统计、预处理、SVM或KNN等算法。链接预测还包括...
知识图谱的几个经典模型：TransE、Trans R、ComplEx、ConvKB
guanjian6334的博客
03-23 7889
:::info 💡 这几个模型都是KG表示的经典模型，关于如何对三元组建模Embedding。以下第一个表格是关于各类建模方法中，关系是否能满足一些特性进行的汇总。 ::: 对称性：例如朋友关系。如果有h(r , t)，一定有h(t , r); 反对称性：例如购买关系与出售关系。如果有h1(r, t) ,一定有h2(t ,r); 【h1和 h2是相反方向的一对向量】 传递性：例如亲属关系，父亲的父亲是爷爷。如果有h1(r , t) 和h2(t, y),一定有h3(r , y) 一对N：例如教学关系，一个老
KGE-HAKE:The code of paper Learning Hierarchy-Aware Knowledge Graph Embeddings for Link Prediction. Zhanqiu Zhang, Jianyu Cai, Yongdong Zhang, Jie Wang. AAAI 2020
05-15
HAKE：层次结构感知知识图嵌入这是用于链接预测的书面学习层次感知知识图嵌入的代码。 张占秋，蔡建宇，张永东，王杰。 依存关系Python 3.6+ 1.0+结果在WN18RR ， FB15k-237和YAGO3-10上的HAKE和基线模型ModE的结果...
A Relational Tucker Decomposition for Multi-Relational Link Prediction.pdf
08-09
We propose the Relational Tucker3 (RT) decomposition for multi-relational link prediction in knowledge graphs. We show that many existing knowledge graph embedding models are special cases of the RT ...
Learning Conceptual-Contextual Embeddings for Medical Text.pdf
10-19
《学习概念上下文嵌入医学文本》这篇论文探讨了如何在自然语言理解任务中利用外部知识，特别是针对医学领域的文本理解。论文提出了一个名为“概念上下文”（Conceptual-Contextual, CC）的嵌入模型，该模型将结构化...
A Simple but Tough-to-Beat Baseline for Sentence Embeddings.pdf
04-08
SIF：一种简单却难以打败的句子嵌入方法 文章导航https://blog.csdn.net/qq_42491242/article/details/105381771
论文阅读笔记Deep learning for event-driven stock prediction1
08-04
论文阅读笔记Deep Learning for Event-Driven Stock Prediction 根据论文，事件驱动的股票预测可以通过深度学习方法来实现，论文中提出了一种 novel neural tensor network (NTN) 来训练 event embeddings，以解决...
知识图谱-KGE-语义匹配-双线性模型-2017：Analogy【DistMult与ComplEx的合体】
u013250861的博客
12-07 995
【paper】 Analogical Inference for Multi-relational Embeddings 【简介】 本文是卡耐基梅隆大学的中国学者发表在 ICML 2017 上的工作，提出了 ANALOGY 模型，用于建模实体和关系的推理属性。这个模型应当也算是双线性模型中比较经典的一个了，很多模型的 baseline 中都有它。核心思想就是利用矩阵的交换性约束建模平行四边形一样的类比推理属性。ANALOGY 将关系矩阵约束为正规矩阵，由于它是 "well-behaved" linear m
论文浅尝 | 知识图谱中的链接预测：一种基于层次约束的方法
开放知识图谱
07-24 3662
论文笔记整理：张良，东南大学博士生，研究方向为知识图谱，自然语言处理。链接：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=...
Rescal 和 Distmult，知识图谱嵌入（KGE）论文阅读
Ax的博客
02-19 7557
Rescal 模型 主要思想：三维张量分解 张量是多维数组，其中零阶张量是标量（scalar），一阶张量是一个向量（vector），二阶的张量是矩阵（matrix），三阶及三阶以上的就是我们通常所说的张量，也叫高阶张量。数据的的维度被称为张量的阶。它可以看成是向量和矩阵在多维空间中的推广。如下图定义一个的三维张量，m 代表关系数，n 代表实体数 每个关系对应于 张量（三维） 中的一个 切片（二维），即一个矩阵，其实相当于表示图的邻接矩阵，存储各对实体是否有这样的关系 ...
知识图谱-KGE-语义匹配-双线性模型-2015：DistMult【把双线性模型RESCAL的关系矩阵限制为了对角矩阵】【缺点：由于只用到对角线上的元素，所以只能处理对称关系】
u013250861的博客
11-24 1305
DistMult对应的论文为，发表于ICLR 2015。我们使用神经网络嵌入学习的方法来学习知识图谱中实体和关系的表示。我们展示了最常见的模型，包括NTN和TransE，可以被归纳在一个统一的学习框架下，其中，实体是从神经网络学习出的低维向量，关系是双线性和/或线性映射函数。在此框架下，我们在链接预测任务上比较了各种嵌入模型。我们证明了一个简单的双线性公式可以在链接预测任务上实现SOTA效果（在Freebase上，Top-10达到73.2%的精确率 vs. TransE的精确率为54.7%）。
DistMult 论文笔记
Jay98的博客
03-10 6176
EMBEDDING ENTITIES AND RELATIONS FOR LEARNING AND INFERENCE IN KNOWLEDGE BASES
KBQA知识图谱问答（一）SimpleQA
BshoterJ的博客
06-21 3165
针对KBQA简单QA数据集的三篇论文阅读
论文阅读 DistMult
qq_41669355的博客
11-27 2512
EMBEDDINGENTITIES ANDRELATIONS FORLEARNING ANDINFERENCE INKNOWLEDGEBASES 在知识库中嵌入学习和推理的实体和关系 发表于 conference paper at ICLR 2015 摘要：我们使用神经嵌入方法来考虑KBs中实体和关系的学习表示。我们表明，大多数现有模型，包括NTN 和TransE ，可以在统一的学习框架下推广，其中实体是从神经网络学习到的低维向量，关系是双线性和（或）线性映射函数。在此框架下，我们比较了各种嵌入模型对链接
Dimension Embeddings for Monocular 3D Object Detectio
最新发布
08-16
“Dimension Embeddings for Monocular 3D Object Detection”是一篇关于使用单目相机进行三维物体检测的维度嵌入技术的研究论文。在传统的三维物体检测中，常需要使用多个相机或深度传感器来获取三维信息，而这篇...
评论 1
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