论文浅尝 | TuckER：基于张量分解的知识图谱补全

最新推荐文章于 2024-08-15 21:30:51 发布
最新推荐文章于 2024-08-15 21:30:51 发布
阅读量6.5k 收藏 24
点赞数 1
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/88630679
版权
本文介绍了TuckER模型，这是一种利用Tucker分解进行知识图谱补全的方法。TuckER通过将三阶张量分解为核心张量与矩阵的乘积来表示知识图谱，能够处理不完备的事实信息。模型的得分函数基于sigmoid，训练采用log似然损失函数。理论分析证明TuckER在特定条件下具备完全表现力，并且在link prediction任务上取得SOTA结果。
摘要由CSDN通过智能技术生成

 

笔记整理：孙泽群，南京大学计算机科学与技术系，博士研究生。


640?wx_fmt=png

论文链接：https://arxiv.org/abs/1901.09590

 

背景

知识图谱是图结构的数据库，以三元组(es, r, eo)的形式存储事实，其中es和eo分别表示主语和宾语实体，r表示它们之间的关系。然而，知识图谱中的事实是不完备的，人工补全费时费力，这就需要开发自动化补全知识图谱的算法。知识图谱可以表示为一个三阶二值张量，其中每一个元素表示一个三元组，1表示真实三元组，0表示未知三元组（或错误或丢失）。因此，很多基于张量分解的补全模型被提出。本文基于Tucker decomposition, 它可以将一个三阶张量分解为一个核心张量每一维度乘上一个矩阵。令640?wx_fmt=png是一个三阶张量，Tucker decomposition 会产生一个核

最低0.47元/天 解锁文章
开放知识图谱
关注
知识图谱-KGC(推理补全/链接预测)：“知识图谱补全”术语【知识图谱补全、三元组分类、链接预测】
u013250861的博客
11-18 3934
一方面，现有的数据集对已有知识进行随机划分，得到训练集和测试集，这样并不能保证测试的新知识确实可以通过训练时已有的知识得到。（2）测试的知识可以是正确的，错误的，也可以是不确定。可以看到，模型从已有知识（贝多芬，职业，钢琴家）和（贝多芬，乐器，钢琴）中归纳出可靠的规则：钢琴家的乐器是钢琴，再通过（Bob，职业，钢琴家）演绎出新知识（Bob，乐器，钢琴），对知识图谱缺失的边进行了补全。那么，在判断新知识的时候，可以直接使用对应的实体和关系向量，对三元组进行打分，分数的高低反应该条知识的正确概率。
张量分解（三）：Tucker分解
热门推荐
Flying_sfeng的博客
08-27 2万+
在讲解Tucker分解之前，我们先看一下Tucker分解在三阶张量上的分解形式： Tucker分解（Tucker decomposition）是高阶的主成分分析的一种形式。它将一个张量分解成一个核张量与每一维矩阵的乘积，具体如下： 这里A∈RI×P,B∈RJ×Q,A∈RK×RA∈RI×P,B∈RJ×Q,A∈RK×RA\in R^{I\times P},B\in R^{J\times Q...
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.
WN18RR、FB15k-237 和 Cross3domain 数据集
最新发布
weixin_44012667的博客
08-15 651
主要针对可逆关系问题，提供更具挑战性的任务以提高模型的泛化能力。强调跨域的知识图谱嵌入，测试模型的跨域学习能力和知识迁移能力。
​NeurIPS 2020 | 面向张量分解知识图谱补全的对偶诱导正则
Paper weekly
12-19 805
简介近年来，张量分解模型凭借模型简洁、计算速度快等优点在知识图谱补全任务上取得了令人瞩目的成就。但是，这些模型较易受到过拟合的影响，在性能上通常落后于其他类型的模型。为解决过拟合问题，包...
基于Tucker分解的时序知识图谱补全10.23
RM_Jin的博客
10-23 634
知识图谱已被证明是众多智能应用的有效工具。然而，大量有价值的知识仍然隐含在知识图谱中。为了丰富现有的知识图谱，近年来许多用于链接预测和知识图谱嵌入的算法被设计出来推断新的事实。但是，这些研究大多集中在静态知识图谱上，忽略了反映知识有效性的时间信息。开发适用于时间知识图谱补全的模型是一项日益重要的任务。本文基于四阶张量的Tucker分解启发，构建了一个新的用于时间知识图谱补全的张量分解模型。证明了所提出的模型具有完全表达能力，并在几个公共基准测试中报告了最先进的结果。
知识图谱补全论文阅读笔记：TuckER: Tensor Factorization for Knowledge Graph Completion
qq_44091306的博客
11-14 2349
TuckER（E代表实体，R代表关系），基于tucker分解简单线性模型并作为坚实的基础。tucker分解，广泛用于机器学习，其分解是将张量分解成核心张量并成各个模式的矩阵。在矩阵正交且核心张量为“全正交”的特殊情况下，它可以被认为是高阶SVD的一种形式。
知识图谱-基于张量分解的路径推理补全
UpUp的博客
11-19 2804
路径张量分解的知识图谱推理算法*（2017）前言2.1背景和目的2.2.1构建2.2 算法描述2.3实验2.3.1 路径问题回答2.3.2 实体链接预测 前言 论文分享，一个基于张量分解的知识图谱的推理分享 2.1背景和目的 本文是知识的一个推理过程，知识图谱在链路预测上是及其重要的应用，现有方法中往往只考虑了实体间的直接关系，忽略了图本身的结构化信息。现有的推理算法不能解决长路劲的推理。 所谓张量分解算法就是将知识图谱视作一个大的张量，用分解算法将图谱降维，减少计算规模，这在传统的张量分解中已经较为成熟
知识图谱：基于张量分解的模型（RESCAL）
sinat_41942180的博客
03-12 1140
RESCAL是一种用于关系学习的张量分解方法，它能够通过学习潜在成分信息来解决集体学习的问题，针对它的一系列实验表明RESCAL具有很好的效果并且具备不俗的时间性能，同时，可以看到张量方法在关系学习这个方向上是很有前景的。
一种基于张量的交通数据补全方法
03-10
根据提供的文件信息，本文将详细阐述标题“一种基于张量的交通数据补全方法”和描述中的知识点。 首先，关于标题“一种基于张量的交通数据补全方法”，可以提取出几个关键概念：基于张量的方法、交通数据、数据补全...
tucker分解工具包
06-12
张量分解工具包 高维数据SVD分解 多重因子分析的工具
hosvd_三阶张量_HOSVD_tucker分解_张量分解_奇异值
09-11
本文将详细探讨标题和描述中提及的"hosvd_三阶张量_HOSVD_tucker分解_张量分解_奇异值"相关知识点，帮助读者理解这一领域的核心概念。 首先，我们来了解一下三阶张量。在数学上，张量是一种多维数组，而三阶张量是...
知识图谱补全
weixin_47482014的博客
05-19 2128
知识图谱（Knowledge Graph, KG）是以图的形式表示实体及其关系的结构化知识库。其广泛应用于搜索引擎、推荐系统、智能问答等领域。然而，知识图谱在构建过程中难免会出现不完整的问题，因此知识图谱补全（Knowledge Graph Completion, KGC）成为了一个关键研究方向。KGC旨在预测缺失的关系或实体，从而增强知识图谱的完备性。
知识图谱补全（张量图学习-链路预测）
UpUp的博客
01-30 3169
【论文笔记】Tensorial graph learning for link prediction in generalized heterogeneous networks重点主要贡献点三级目录 论文地址：paper 重点 本文是在广义的异构网络上的一个张量图学习，用于链路预测。在具体操作中知识图谱的补全常常成为链路预测任务，本文的重点在于通过引入节点和边张量来构造张量图。 主要贡献点 提出一种新型图，张量图 与异构网络的多图、超图和其他表示相比，新引入的张量图在扩展到张量n-部图以表示节点异质性和将
基于Tucker张量分解数据恢复方法研究
m0_58642931的博客
03-28 190
然后，利用Tucker分解对张量数据分解；最后，通过张量重构对缺失的数据进行补全并去躁。
知识图谱-KGE-语义匹配-双线性模型-2019：TuckER
u013250861的博客
12-07 654
【paper】 TuckER: Tensor Factorization for Knowledge Graph Completion 【简介】 这篇文章是英国爱丁堡大学的研究者发表于 ICML 2019 上的文章，提出了 TuckER，是一个线性的张量分解模型，对表示三元组事实的二值张量做 Tucker 分解。本模型基于 1966 年 Tucker 提出的 Tucker decomposition，它将一个张量分解为一个 core tensor 和一组矩阵相乘的形式，可以被视为一种高阶 SVD 的形式，在
tucker重构模型_重构开源业务模型
cumj63710的博客
06-17 259
tucker重构模型 他们说你永远不会忘记自己的第一个。 以我为例，那是2008年，Lucidworks刚刚完成了A轮融资，并雇用了我们的第一位销售员。 我被要求与潜在客户进行通话，以寻求对Apache Solr进行故障排除的帮助。 在通话中，准客户问了我一些“树桩”的问题。 挂了电话，拍了拍自己的背，用鲜艳的色彩回答了他们所有的问题后，我接到了销售员的电话。 尽管我不记得他的确切用词，但它们总...
推荐文章：TuckER - 知识图谱补全的张量分解方法
gitblog_00067的博客
05-09 322
推荐文章：TuckER - 知识图谱补全的张量分解方法 TuckER项目地址:https://gitcode.com/gh_mirrors/tu/TuckER 在数据科学和人工智能领域，知识图谱是一种重要的结构化信息表示方式，用于捕捉实体及其关系。然而，由于信息的不完整性，知识图谱往往存在缺失的数据。为了解决这个问题，我们向您推荐TuckER：一个基于PyTorch实现的知识图谱补全的张量分解模...
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