知识图谱经典方法 Knowledge Graph Embedding：从TransE，TransH到TransR

最新推荐文章于 2024-03-28 09:42:59 发布

做人要有比数

最新推荐文章于 2024-03-28 09:42:59 发布

阅读量6.3k

点赞数 3

分类专栏：数据挖掘推荐系统文章标签：知识图谱 TransR

本文链接：https://blog.csdn.net/ch_609583349/article/details/102922433

版权

推荐系统同时被 2 个专栏收录

8 篇文章 0 订阅

订阅专栏

数据挖掘

5 篇文章 1 订阅

订阅专栏

1.背景

知识图谱编码了实体和它们丰富的关联之间的结构化信息，但是现实场景中的实体和关系成千上万，想把一个知识图谱填充满是一件很难的事情。因此，知识图谱填充即是基于已有的图谱建立实体到实体的关系。KG 中实体和关系都是通过Embedding建立关联，让实体和关系有一个好的表达能够更好的完成知识图谱的填充任务。

2.演变

最简单最有效的方法是TransE。TransE将起始实体，关系，指向实体映射成同一空间的向量，如果（head,relation,tail）存在，那么 $\approx t$ ，目标函数为：
$f_{r}(h,t) = \left\|h+r-t\right\|_{2}^{2}$
TransE是符合直觉的，但是TransE却无法解决一对多，多对多的问题。举个例子，假设存在 $m$ 个不同的实体，都有 $h_{i}+r \approx t$ ，其中 $0 < i < = m$ ，那么按照TransE的方法则认定为这 $m$ 个实体是同一个实体，但是显然不是。
为了解决一对多和多对多的问题，可以考虑将具有以上关系的实体放置与同一个平面，TransH即是基于这样的考虑。通过关系 $r$ 的法向量 $w_{r}$ 建立一个关系平面，然后将实体 $h$ 和实体 $t$ 映射到该平面，分别得到 $h_{\perp}$ 和 $t_{\perp}$ 。剩下的就是和TransE一样的公式来最小化目标函数：
$f_{r}(h,t) = \left\|h_{\perp}+r-t_{\perp}\right\|_{2}^{2}$
其中， $h_{\perp}=h-w_{r}^\mathrm{T}hw_{r}$ ， $t_{\perp}=t-w_{r}^\mathrm{T}tw_{r}$ 。
进行到这里，好像没什么问题了。但是TransH的假设是实体和关系都处于同一个空间，这样才有映射到一个关系平面去求实体的映射。假如关系空间不同于实体空间，TransH就无能为力了。而且，好像实体和关系处于不同空间更贴近真实场景（实体是名词，关系是动词，好像有点牵强，hh）。TransR通过关系矩阵将实体映射到关系空间，再最小化三元组的距离。
在这里插入图片描述
其中， $h_{r}=hM_{r}$ ， $t_{r}=tM_{r}$ 。

3.应用

推荐系统
Relational Collaborative Filtering: Modeling Multiple Item Relations for Recommendation，SIGIR 2019.
Collaborative Knowledge Base Embedding for Recommender Systems,KDD 2016