【ConvE巨无敌详细的复现】

最新推荐文章于 2024-03-28 12:38:56 发布
最新推荐文章于 2024-03-28 12:38:56 发布
阅读量734 收藏 17
点赞数 10
文章标签： python
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/m0_51560372/article/details/136901094
版权

ConvE巨无敌详细的复现

1、下载代码

代码链接
在这里插入图片描述

2、配置环境

这里没有特别要求torch版本和cuda版本，就根据电脑配置安装适用的版本即可

pytorch之前版本的链接

3、按照链接里的内容安装各种包，把报错都解决

很有用的参考链接

4、运行程序

不断运行该指令，如果报错就找上面的链接解决错误。

（如果电脑不能安装cuda，就不能用CUDA_VISIBLE_DEVICES=0跑了，代码里也没有不用gpu的选项，找个可以安装cuda的服务器跑吧，或者只能把代码改成cpu版本了）

CUDA_VISIBLE_DEVICES=0 python main.py --model conve --data FB15k-237 \
                                      --input-drop 0.2 --hidden-drop 0.3 --feat-drop 0.2 \
                                      --lr 0.003 --preprocess

notice：链接内说预处理只需要做一次，但如果不加–preprocess会报错

5、剩余的报错

No module named ‘xxxx’使用pip指令安装即可，如缺少nltk安装包

pip install nltk

在这里插入图片描述

如果有版本不匹配的，就根据报错中的需求版本，安装指定版本的工具包指令如下：

pip install nltk==3.8.1
参考链接：

(小白易懂)知识图谱嵌入论文复现：ConvE代码调试记录-CSDN博客

ConvE，知识图谱嵌入（KGE）论文复现（Ubuntu 20.04）-CSDN博客

REDer科研日记
关注
  • 10
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
convE模型
m0_45878612的博客
02-04 6662
知识补全模型中的convE模型的详细介绍，包括模型代码，得分函数、损失函数等
(小白易懂)知识图谱嵌入论文复现：ConvE代码调试记录
bubu_的博客
11-01 2204
(小白易懂)知识图谱嵌入论文复现：ConvE代码调试记录
知识图谱嵌入|KG-BERT代码 ConvE ConvR
weixin_43235829的博客
02-23 2600
烦 重新下载typora导致我的图片全没了（大家在已经有一个typora的情况下千万别重新下载！）【】部分原本是图片 KG-BERT开源项目实现 python安装 电脑里现有三个版本的python 2.7 3.7 以及3.6 安装3.6 在路径 C:\Users\xxx\AppData\Local\Programs\Python\Python36 【】 Q: 左侧的几个环境有什么不同？怎么使用？ A: 选了第一行的virtualenv environment，下上两个按顺序都试了一下（一顿瞎操作）1.几.
ConvE代码复现-安装sklearn报错
weixin_45897706的博客
03-05 426
error: subprocess-exited-with-error × python setup.py egg_info did not run successfully. │ exit code: 1 ╰─> [15 lines of output] The 'sklearn' PyPI package is deprecated, use 'scikit-learn'
ConvE，知识图谱嵌入（KGE) autodl 服务器运行
zhous_的博客
04-10 678
ConvE复现
ConvE，知识图谱嵌入（KGE）论文复现（Ubuntu 20.04）
Ax的博客
03-07 5699
ConvE(KGE模型)—论文复现（Ubuntu 20.04）(2022.03.07)
AMVr.rar_AMVR CONVE
09-14
AMVr.rar_AMVR CONVE 是一个与AMV视频格式转换相关的压缩包文件。AMV，全称为Advanced Media Video，是一种专为便携式媒体播放器设计的视频格式，尤其常见于早期的MP4播放器。AMV转换工具，如AMVHelper，是为了将...
ConvE:Dettmers等人提出的ConvE的实现。 卷积二维知识图嵌入
05-17
转换Dettmers等人提出的ConvE的实现。 。 您可以在找到带有知识图数据集的官方存储库。 实现使用 。用法前处理 usage: preprocess.py [-h] {train,valid} ...Preprocess knowledge graph csv train/valid (test) ...
Unit_Convert.rar_UnitConvert_convert un_unit conve_unit convert
09-23
《UnitConvert：一站式单位转换工具》 在编程和工程领域，单位转换是一个常见的需求，无论是编写技术文档还是设计软件，精确地进行单位换算是保证工作准确性的关键。"UnitConvert.rar"提供了一个强大的单位转换工具...
html_convert.zip_html conve_python 网页_python 网页_read text pytho
09-24
在IT行业中，HTML（HyperText Markup Language）是一种用于创建网页的标准标记语言，而Python则是一种功能强大的编程语言，尤其在处理文本数据和自动化任务时表现出色。...这个过程通常被称为网页抓取或网页解析，它在...
「端点安全」Machine Learning and Risk Quantification across a Conve
12-04
「端点安全」Machine Learning and Risk Quantification across a Converged Attack Surface - 端点安全 数据泄露 WEB应用防火墙 数据库安全 Linux 应急响应
ConvE算法模型
最新发布
weixin_45780075的博客
03-28 1205
ConvE是一种用于知识图谱表示学习的深度学习模型。它是一种基于卷积神经网络（Convolutional Neural Network，CNN）的模型，用于将实体和关系映射到低维空间中的向量表示。ConvE 模型的主要思想是将实体和关系表示为低维向量，并使用卷积操作来捕捉它们之间的语义关联。在模型中，实体和关系的向量表示首先被平铺成为二维矩阵，并经过卷积层进行特征提取。然后，通过全连接层将提取的特征映射到最终的向量表示空间中。
大神手把手教你：(Python)序列数据的One Hot编码
AiFool的博客
09-02 9034
原文链接机器学习算法无法直接用于数据分类。数据分类必须转换为数字才能进一步进行。在本教程中，你将发现如何将输入或输出的序列数据转换为一种热编码，以便于你在Python中深度学习的序列分类问题中使用。看完本教程后，你将会了解：· 1.什么是整数编码和One-Hot编码，以及为什么它们在机器学习中是必需的。· 2.如何在Python中手工计算一个整数编码和One-Hot编码。· 3.如何使用
ConvE：Convolutional 2D Knowledge Graph Embeddings
REfusing的博客
03-25 5489
论文：Convolutional 2D Knowledge Graph Embeddings 1 介绍 1.1 提出原因 之前提出的模型如disMult，Trans系列模型，成为浅层模型，虽然比较简单，参数较少、训练模型速度较快，但是这些模型相比于深的模型，更少能够抓到复杂的信息。因此，提出模型ConvE模型，利用卷积的方式进行知识图谱补全，能够适用于更加复杂的图。 在浅层模型中增加特征数量的唯一方法，就是增加embedding的维度，但是随之而来存在一个问题，不能扩展到更大的知识图谱，因为嵌入参数的
ConvR:Adaptive Convolution for Multi-Relational Learning
REfusing的博客
03-27 3004
关于卷积的知识图谱补全： ConvE：Convolutional 2D Knowledge Graph Embeddings ConvKB代码：A Novel Embedding Model for Knowledge Base Completion Based on Convolutional Neural Network ConvR论文：点击 1 介绍 本论文的思想是在ConvE论文的基础上进行改进，进行知识图谱补全。ConvE成功实现实体和关系之间的交互，但是实体和关系之间的交互非常少，仅仅只有百分
InteractE: Improving Convolution-based Knowledge Graph Embeddings by Increasing Feature Interactions
羊城迷鹿的博客
10-16 1060
研究问题 在ConvE的基础上提出了InteractE，通过进一步增强关系嵌入与实体嵌入间的交互，提升链路预测任务的效果 背景动机 ConvE通过将一维的实体和关系嵌入转换为二维并拼接作为卷积操作的输入来增强交互性，这对提升性能有一定效果，但这种简单方法的交互性还不够。 符号定义 假设实体嵌入和关系嵌入分别表示为es=(a1,…,ad),er=(b1,…,bd)\boldsymbol{e}_{s}=\left(a_{1}, \ldots, a_{d}\right), \boldsymbol{e}_{r
知识图谱-KGE-第三方库：LibKGE库【包含：TransE、TransH、ConvE、DistMult、ComplEx、TuckER、SimplE...】
u013250861的博客
11-18 1025
LibKGE的主要目的是为了助力知识图谱表示模型复现研究并提供训练方法。LibKGE提供整洁的训练实现，超参优化和评估策略。并且所有的现在的启发式实现都是基于本地配置文件，符合了软件的开闭原则，不同的参数，模型选择，只需要修改配置文件即可。
conv matlab代码
weixin_42799603的博客
05-02 730
n1 = length(Bhq) + length(Xi) - 1;%Bhq 1 out = zeros(1,n1); for k = 1:n1 for j = max(1,k-length(Xi)):min(k,length(Bhq)) if k-j+1 > length(Xi) continue; else out(k) = out(k) + Bhq(j)
ConvE模型的评分函数
08-05
### 回答1： ConvE模型是一种基于卷积神经网络的知识图谱嵌入模型，其评分函数可以表示为： $$f(h, r, t) = \textbf{softmax}(\textbf{vec}(\textbf{M}(\textbf{e}_h \oplus \textbf{r})\textbf{W})) \cdot \textbf{vec}(\textbf{e}_t)$$ 其中，$h$表示头实体，$r$表示关系，$t$表示尾实体。$\textbf{e}_h$、$\textbf{r}$、$\textbf{e}_t$分别表示头实体、关系、尾实体的嵌入向量，$\oplus$表示拼接操作，$\textbf{M}$表示卷积操作，$\textbf{W}$表示投影矩阵，$\textbf{vec}$表示将矩阵拉成向量的操作。 ConvE模型的评分函数将头实体、关系拼接成一个矩阵作为卷积操作的输入，通过卷积操作将矩阵映射到另一个矩阵上，再通过投影矩阵将卷积后的矩阵映射到一个向量上，最后与尾实体的嵌入向量做点积并进行softmax操作得到最终的评分值。 ### 回答2： ConvE模型的评分函数是通过一个卷积操作将实体和关系的嵌入向量进行合并，并最终通过一个全连接层将其映射到预测的得分空间。具体而言，ConvE模型的评分函数包括以下几个步骤： 首先，将头实体和关系的嵌入向量进行拼接，然后将其作为输入输入到一个二维卷积层。这个二维卷积层可以捕捉头实体和关系之间的局部特征关系。卷积操作会在输入上滑动一个卷积核，并应用一系列的过滤器，以提取不同角度的特征。 在卷积层之后，通过一个批归一化层来对特征进行归一化处理，增强模型的稳定性和收敛性。 接下来，将经过归一化的特征通过一个ReLU激活函数进行非线性变换，以增强模型的非线性建模能力。 接着，将变换后的特征展平，并通过一个全连接层将其映射到预测的得分空间。全连接层可以将不同维度的特征进行组合和权重调整，从而得到最终的预测得分。 最后，通过一个Sigmoid函数将得分转化为概率值，表示该三元组在知识图谱中成立的概率。在训练过程中，模型会通过最大似然估计来优化参数，使得正确三元组的预测得分高于错误三元组的预测得分。 总之，ConvE模型的评分函数通过卷积操作、批归一化、非线性变换和全连接层的组合，将实体和关系的嵌入向量映射到预测得分空间，从而实现对知识图谱中三元组的预测。 ### 回答3： ConvE模型的评分函数是通过对头实体和关系的嵌入向量进行卷积操作来生成尾实体的预测概率。具体而言，评分函数可以分为以下几个步骤： 1. 输入层：将头实体和关系的one-hot编码表示转换为对应的嵌入向量。 2. 卷积层：将头实体和关系的嵌入向量分别重塑为二维矩阵，并将它们进行拼接，形成一个三维张量。然后，通过设置不同的卷积核大小和数量，在三维张量上进行卷积操作，得到一系列的特征图。 3. 扁平化层：将卷积层生成的特征图展平为一维向量。 4. 全连接层：将展平后的特征向量输入到全连接层中，可以通过添加激活函数如ReLU对特征向量进行非线性加工。 5. 输出层：通过一个全连接层将特征向量映射到预测尾实体的概率分布。通常可以通过使用softmax函数来获得概率值。 最终，ConvE模型的评分函数会返回一个表示预测尾实体概率的向量。根据这个向量，我们可以选择有最高概率的尾实体作为预测结果。而模型的损失函数可以使用交叉熵损失函数来衡量预测结果与真实标签之间的差异，并通过反向传播算法来优化模型的参数。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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