论文浅尝 | Complex Embeddings for Simple Link Prediction

最新推荐文章于 2025-02-21 21:59:32 发布

开放知识图谱

最新推荐文章于 2025-02-21 21:59:32 发布

阅读量6.8k

点赞数 4

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。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

开放知识图谱

关注关注

4
点赞
踩
13

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

Non-Parametric Estimation of Multiple Embeddingsfor Link Prediction on Dynamic Knowledge Graphs

weixin_44466434的博客

09-27

366

知识图谱的动态补全

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

1997

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。

1 条评论您还未登录，请先登录后发表或查看评论

matlab实现矩阵乘法代码-complex:论文“用于简单链接预测的复杂嵌入”（ICML2016）和“通过复杂张量因子分解的知识图完成”（J

05-23

matlab实现矩阵乘法代码用于简单链接预测的复杂嵌入该存储库包含论文中介绍的主要实验的代码：，ThéoTrouillon，Johannes Welbl，Sebastian Riedel，ÉricGaussier和Guillaume Bouchard，ICML 2016。，ThéoTrouillon，Christopher R.Dance，ÉricGaussier，Johannes Welbl，Sebastian Riedel和Guillaume Bouchard，JMLR，2017年。安装首先克隆存储库： git clone https://github.com/ttrouill/complex.git 该代码依赖于基于theano的随机梯度下降实现。连同其他依赖项一起安装： pip install -r requirements.txt 该代码与Python 2和3兼容。运行实验要运行实验，请先解压缩数据集： unzip datasets/fb15k.zip -d datasets/ unzip datasets/wn18.zip -d datasets/ 并为Fr

Complex Embeddings for Simple Link Prediction

damuge2的博客

03-14

2794

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...

链接预测——输出边是否存在

最新发布

m0_73941743的博客

02-21

525

链接预测的核心思想是基于现有的网络结构和节点特征，预测网络中可能会出现的连接。换句话说，给定一个图G=(V,E)，其中V表示节点的集合，E表示当前已存在的边的集合，链接预测的目标是预测哪些节点对在未来可能形成边。

[论文阅读] Complex Embeddings for Simple Link Prediction

qq_31225201的博客

03-08

2139

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

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...

论文浅尝 | Temporal Knowledge Graph Completion Using Box Embeddings

开放知识图谱

11-04

1596

笔记整理：杨露露，天津大学硕士论文链接：https://www.aaai.org/AAAI22Papers/AAAI-6210.MessnerJ.pdf动机时态知识图谱补全（TKGC）中的主要挑战是额外学习时间戳嵌入，以便嵌入模型根据关系、实体和时间戳嵌入联合执行评分。本文提出了BoxTE，一个用于TKGC的盒子嵌入模型，建立在静态知识图谱嵌入模型BoxE之上。亮点本文的亮点主要包括：（1）表明 ...

论文浅尝 | 基于属性embeddings的跨图谱实体对齐

开放知识图谱

10-04

1144

论文笔记整理：谭亦鸣，东南大学博士生，研究方向为知识库问答。来源：AAAI 2019链接：https://aaai.org/ojs/index.php/AAAI/arti...

Learning Attention-based Embeddings for Relation Prediction in Knowledge Graphs Deepak

ChanYeol666的博客

01-12

1853

0422 嵌入式学习笔记（27）complex/this指针/初始化列表/析构函数

BX 0805×1005

04-22

314

构造函数特点： 1、函数名和类名相同 2、无返回值 complex(){} 1、构造函数允许重载 2、每一个类都有自带的默认构造函数 3、一旦你自己定义了构造函数，会将原本系统默认的构造函数覆盖 4、构造函数没有返回值 5、类complex的复制构造函数不能带有complex类型的参数 6、类的对象作为参数传入，会调用复制构造函数，产生新的对象 this指针当类没有复制构造函数的时候，=的作用就只是引用（s4）匿名对象：生命周期只存在于创建的那一行代码，超过那一行会立刻被释放析构函数：将构造函数进行解

基于ComplEx模型的知识图谱嵌入详解

Y-starrydreamer的博客

11-29

1336

ComplEx模型于2016年提出，主要通过复数空间中的运算来表示知识图谱中的实体和关系。与传统的实数向量表示不同，ComplEx利用复数向量表示可以捕捉到更多的关系特性。

知识图谱的几个经典模型：TransE、Trans R、ComplEx、ConvKB

guanjian6334的博客

03-23

8511

:::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

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

1194

【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

论文笔记--STC: A Simple to Complex Framework for Weakly-supervised Semantic Segmentation

隐匿人海的博客

11-23

2348

---------------------- 论文是作为组内论文报告为大家讲述的，现在将一些重要思想摘录如下。 ---------------------- 论文是9月份NUS的发表在arXiv上的，论文模板是TPAMI的模板，貌似是要投TPAMI的短文么？言归正传，现在还是说论文吧。论文题目是STC，即Simple to Complex的一个框架，使用弱标签

Makefile浅尝

weixin_30498921的博客

09-29

138

【0】README makefile定义：一个工程中的源文件不计其数，其按类型、功能、模块分别放在若干个目录中，makefile定义了一系列的规则来指定，哪些文件需要一先编译，哪些文件需要后编译，哪些文件需要重新编译；【1】看个荔枝荔枝解析-Analysis： loader.bin : loader.asm include/load.inc ...

社交网络中的Link Prediction

热门推荐

Jie Qiao的专栏

02-22

2万+

介绍给你一段时间内的社交网络关系，我们能否预测出成员之间在未来的互动？我们称该问题为Link prediction Problem.他还有另外一些常见的应用，比如社交网站的好友推荐，预测蛋白质间的相互影响，预测犯罪嫌疑人的关系，商品推荐等等。在基于社交网络的Link predition问题中，我们通常要考虑社交网络所带有的特有的特质。所以我们先介绍一下社交网络的几个有趣的性质： po...

Must-read papers on KRL/KE

qq_33771080的博客

09-14

1382

KRL:Knowledge Representation Learning KE:Knowledge Embedding 综述类（Survey papers）： 1.Representation Learning: A Review and New Perspectives. Yoshua Bengio, Aaron Courville, and Pascal Vincent.TPAMI 2...

Dimension Embeddings for Monocular 3D Object Detectio

08-16

### 回答1： "Dimension Embeddings for Monocular 3D Object Detection" 可以翻译成“单目三维物体检测的维度嵌入”。该研究的主要目的是通过在二维图像中检测物体并使用维度嵌入来估计物体的三维边界框。在这种方法中，模型使用神经网络从单个图像中提取特征，并使用这些特征来生成每个物体的维度嵌入。这些嵌入包含物体的大小、形状和方向等信息，可以用来计算物体的三维位置和姿态。这项研究的成果可以应用于自动驾驶、机器人技术等领域。 ### 回答2： “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，而这篇论文提出了一种使用单目相机进行三维物体检测的新方法。该方法的关键思想是通过嵌入物体的尺寸信息来学习和预测物体的三维位置和姿态。具体来说，研究人员将物体的尺寸信息编码为维度嵌入向量，并通过深度学习网络对这些嵌入向量进行训练和学习。通过将这些嵌入向量与图像上的物体边界框关联起来，可以准确地估计物体的位置和姿态。为了验证该方法的有效性，研究人员对公开数据集进行了实验。实验结果表明，与传统的基于深度传感器的方法相比，该方法能够以较高的准确性进行三维物体检测，而且仅使用单目相机进行图像采集，无需复杂的设备。总的来说，“Dimension Embeddings for Monocular 3D Object Detection”提出了一种新颖的方法，利用维度嵌入技术实现了使用单目相机进行三维物体检测。这一方法具有较高的准确性和较低的成本，可以在许多实际应用中发挥重要作用，例如自动驾驶、机器人导航等。该方法的研究为单目相机三维物体检测领域的发展提供了有价值的思路和参考。 ### 回答3：《单目三维物体检测的尺度嵌入》是一个关于通过嵌入尺度来实现单目三维物体检测的研究。在传统的物体检测中，通常需要使用多目相机或激光雷达等传感器来获取物体的三维信息。然而，这些传感器通常成本较高且不易于集成到普通的移动设备中。因此，该研究提出了一种利用尺度嵌入来实现单目三维物体检测的方法。这种方法基于观察到，在自然场景中，物体的尺度常常与其距离成正比。因此，通过学习从二维图像到三维空间的尺度转换关系，可以间接地得到物体的三维信息。具体而言，该方法通过神经网络将输入的二维图像转换为对应的尺度嵌入表示。这个尺度嵌入表示可以被解码为物体的三维坐标和尺度信息。在实验中，研究团队使用了大量的单目图像数据集进行训练和测试。他们通过与基准方法进行对比发现，使用尺度嵌入的方法能够在保持较高三维定位准确性的同时，降低了计算和成本要求。此外，他们还表明该方法对于不同种类的物体都具有良好的泛化性能。总之，《单目三维物体检测的尺度嵌入》提出了一种创新的方法，通过学习并应用尺度嵌入来实现单目三维物体检测。这种方法相较于传统的多目相机或激光雷达等传感器，更具有成本效益和实用性，对于普通的移动设备具有很大的应用潜力。