尝试阅读和理解 RotatE: Knowledge Graph Embedding by Relational Rotation in Complex Space

最新推荐文章于 2023-05-31 19:19:53 发布
最新推荐文章于 2023-05-31 19:19:53 发布
阅读量739 收藏 1
点赞数
分类专栏： 知识图谱 文章标签： 知识图谱 人工智能
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/iuui11/article/details/122728357
版权

文中提到知识图谱模型所面临的问题

a fundamental problem for knowledge graph is predicting the missing links

文中提到这篇文章想要做的工作

However, none of existing models is capable of modeling and inferring all the above patterns. Therefore, we are looking for an approach that is able to model and infer all the three types of relation patterns.

文中Rotate的含义

defines each relation as a rotation from the source entity to the target entity.
将每个关系定义为从源实体到目标实体的旋转。

单词意思
variants变种
unitary单一、统一
complex number复数
complex plan复平面
modulus模
salience显着性
probabilistic概率的
symmetric对称的

Score Functions

这里提及一下得分函数中常见运算符号的含义
在这里插入图片描述

iuui11
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
知识图谱-KGE-语义匹配-双线性模型-2019：RotatE
u013250861的博客
12-07 651
【paper】 RotatE: Knowledge Graph Embedding by Relational Rotation in Complex Space 【简介】 本文是北大和加拿大的研究团队发表在 ICLR 2019 上的文章，提出了 RotatE（Rotation Embedding），主要思想是将实体表示为复向量，关系视为从头实体指向尾实体的旋转（Rotation）。这个模型大概是看明白了的，感觉还是比较巧妙的。RotatE 的提出主要是为了建模三种关系:对称/非对称、反向关系、关系组合这里
（论文阅读）ICLR 2019 | RotatE: Knowledge Graph Embedding by Relational Rotation in Complex Space
qq_41146971的博客
03-02 630
《ROTATE: KNOWLEDGE GRAPH EMBEDDING BY RELATIONAL ROTATION IN COMPLEX SPACE》论文阅读
ptxx_p的博客
10-25 742
发表于ICLR 2019。 ROTATE: KNOWLEDGE G RAPH E MBEDDING BY R ELA- TIONAL ROTATION IN COMPLEX S PACEabstract1.introduction2.related work3.RotatE：relational rotation in complex vector space3.1 modeling and inferring relation patterns3.2 modeling relations as rotat
【KGE】RotatE Knowledge Graph Embedding by Relational Rotation in Complex Space
devil_son1234的博客
07-19 1751
1. 前言 论文链接：https://openreview.net/forum?id=HkgEQnRqYQ github：https://github.com/DeepGraphLearning/KnowledgeGraphEmbedding 本文研究在知识图谱中学习实体和关系表示的问题，以预测缺少的链接。 此类任务的成功在很大程度上取决于建模和推断关系（或关系之间）模式的能力。 在本文中，提出了一种新的知识图谱嵌入方法 称为 RotatE，它能够建模和推断各种关系模式，包括：对称/反对称，反演和组成。
知识图谱嵌入表示实战——基于TransE、Pytorch的知识图谱嵌入项目（源代码和运行实例）
weixin_45440484的博客
05-31 7116
知识图谱常用的嵌入方法主要有TransE、TransH、TransR、RESCAL、DistMult、ComplEx、RotatE、SimplE和TuckER等。项目步骤：1. 定义DBPDataset类表示数据集,重写__getitem__方法返回三元组。 2. 定义KGEmb模型表示知识图谱Embedding,包含实体与关系Embedding层。 3. 构建DataLoader加载数据集,定义优化器与TransE损失函数进行训练。 4. 训练结束后,ent_emb与rel_emb分别为实体与关系Embe
论文笔记：ICLR 2019 RotatE Knowledge Graph Embedding by Relational Rotation in Complex Space
qq_44015059的博客
11-03 5208
1. 前言 论文链接：https://openreview.net/forum?id=HkgEQnRqYQ github：https://github.com/DeepGraphLearning/KnowledgeGraphEmbedding 本文研究在知识图谱中学习实体和关系表示的问题，以预测缺少的链接。 此类任务的成功在很大程度上取决于建模和推断关系（或关系之间）模式的能力。 在本文中，提出了一种新的知识图谱嵌入方法 称为 RotatE，它能够建模和推断各种关系模式，包括：对称/反对称，反演和组成。 具
【ICLR2019】Poster 论文汇总
TomRen
03-26 4841
ICLR2019 poster papers 汇总
RotatE：Knowledge Graph Embedding by Relational Rotation in Complex Space.pdf
08-09
We study the problem of learning representations of entities and relations in knowledgegraphsforpredictingmissinglinks. Thesuccessofsuchataskheavily relies on the ability of modeling and inferring the patterns of (or between) the relations. Inthispaper,wepresentanewapproachforknowledgegraphembedding called RotatE, which is able to model and infer various relation patterns including: symmetry/antisymmetry,inversion,andcomposition. Specifically,theRotatE modeldefineseachrelationasarotationfromthesourceentitytothetargetentity inthecomplexvectorspace. Inaddition,weproposeanovelself-adversarialnegativesamplingtechniqueforefficientlyandeffectivelytrainingtheRotatEmodel. Experimentalresultsonmultiplebenchmarkknowledgegraphsshowthattheproposed RotatE model is not only scalable, but also able to infer and model various relation patterns and significantly outperform existing state-of-the-art models for link prediction.
【自然语言处理】【知识图谱】知识图谱表示学习(四)：【RotatE】基于复数空间关系旋转的知识图谱嵌入
bqw的博客
03-01 2243
知识图谱表示学习(四) RotatE：基于复数空间关系旋转的知识图谱嵌入 一、简介 ​ 大多数的知识图谱都是不完整的，因此预测知识图谱中的缺失链接成为一个重要的基础问题。目前，许多的研究都尝试将实体和关系嵌入低维向量空间中，然后用于链接预测。这些方法的主要直觉是，通过观察图谱中已有的三元组，从而对知识图谱中的链接模式进行建模和推断。链接模式中广泛且典型的模式有：对称关系(symmetry)/反对称关系(antisymmetry)、相反关系(inversion)、组合关系(composition)。 ​ 目前
知识图谱表示学习模型
发呆的比目鱼的博客
07-18 1841
知识图谱表示学习模型 TransE TransE认为，即r是头尾实体之间的翻译关系，并定义评分函数为，优化目标是最小化评分函数。
Rotation.unitypackage
09-12
关于unity旋转的一些例子，附有代码和相关注释，直接将包导入unity中即可。
知识图谱-知识表示模型（Trans系列+RotatE）
Weoshin的博客
08-05 5498
本文介绍了TransE，TransH，TransR，TransD，RotatE知识表示嵌入模型的基本概念和评价函数。 TransE 论文标题：Translating Embeddings for Modeling Multi-relational Data (2013) TransE将relation看作head到tail的翻译，目的在于训练出正确的三元组使[公式] ，即头实体的embedding加上关系embedding近似于尾实体embedding，如图所示。其中设d(h+r,t)为h+r与t之间的距离
【论文解读 WWW 2020 | MAGNN】Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding
热门推荐
byn12345的博客
03-25 1万+
论文题目：MAGNN: Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding 论文来源：WWW 2020 论文链接：https://arxiv.org/pdf/2002.01680.pdf 代码链接：https://github.com/cynricfu/MAGNN 关键词：神经网络，表示学习，社交网...
什么是知识图谱（Knowledge Graph）（上）
blueorris的专栏
07-16 8025
本文参考了Mayank Kejriwal的新著《Domain-Specific Knowledge Graph Construction》（2019年） 最近几年，knowledge graph（KG）作为AI（人工智能）的一个主要领域活跃起来。图（graph）经常出现在AI的最新论文当中。由于大数据时代的到来，我们很需要让计算机高效地“理解”并分析这些数据。 ...
论文阅读 Learning Knowledge Graph Embedding With Heterogeneous Relation Attention Networks
qq_41669355的博客
11-21 1613
Learning Knowledge Graph Embedding With Heterogeneous Relation Attention Networks 基于异构关系注意网络的学习知识图嵌入 发表于：IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS 2021 摘要：知识图谱（KG）嵌入的目的是研究知识图的嵌入表示，以保持知识图的固有结构。图神经网络(GNNs)作为一种有效的图表示技术，在学习图嵌入方面表现出了令人印象深刻的性能。然而
Knowledge Graph Embedding with Iterative Guidance from Soft Rules 论文笔记
大章鱼有小学术之心的博客
10-11 2304
现在做的事需要得到一个knowledge embedding.找到了今年的一篇新论文，并且以Java实现，源码在GitHub上现成的。 动机 在NLP中，word 可以比映射成一个低维向量来表示这个词。同理的，在knowledge base中，实体和关系也可以表示到连续的向量空间中。本文考虑的问题是如何将知识库的分布式表示和逻辑规则结合起来，提出了一个新的表示学习方法 RUGE(Rule-Guid...
[leetcode]033-Search in Rotated Sorted Array[二分查找]
坚不萌
04-27 108
1. 原题 https://leetcode.com/problems/search-in-rotated-sorted-array/ 2. 思路 题意：一个有序列表在某个位置前后两部分被调换，求出给定值的索引下标。 思路：题目要求时间复杂度log(n), 显然要用二分法。 我们依然考虑中间值n[mid]， 如果其小于最右值，那么右部分是有序的。 否则左部分有序。这样不断在某部分查找即...
【大数据】Knowledge structure
Duke__Lee的博客
05-11 556
在爱丁堡大学学习结束Extreme computing 之后懵逼一学年，终于试图梳理清楚整个知识脉络，希望可以给自己一个框架，也希望可以帮助到别人。以后如果有时间的话，我会把各个部分的内容都写下来自己的理解
论文解读：（TransR）Learning Entity and Relation Embeddings for Knowledge Graph Completion
夏栀的博客
12-04 7552
论文解读：（TransR）Learning Entity and Relation Embeddings for Knowledge Graph Completion   TransH在TransE基础上做出的改进，提高了知识表示的效果，在一定程度上解决了复杂关系的处理，同时在链接预测、三元组分类和关系抽取任务上相比传统的方法（距离模型、非结构模型、单层神经网络、双线性模型等）达到最优，然而Tra...
KGAT: Knowledge Graph Attention Network for Recommendation
最新发布
08-24
KGAT: Knowledge Graph Attention Network for Recommendation是一种用于推荐系统的知识图谱注意力网络。它利用了注意力机制来计算节点之间的重要性。对于节点i的邻居节点j，可以使用Attention机制计算节点j对于节点...
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