【自然语言处理】【知识图谱】知识图谱表示学习(一):TransE、TransH、TransR、CTransR、TransD_BQW_的博客-CSDN博客_ctransr知识图谱表示学习(一)TransE,TransH,TransR,CTransR,TransD一、简介知识图谱及挑战知识图谱以三元组的方式来描绘整个世界,大型知识图谱Freebase、DBpedia和YAGO等已经在各种应用程序中被广泛使用。但是,随着知识图谱规模的增加,面临着两个挑战:数据稀疏大型网络中节点太多而边太少。计算低效图谱尺寸增加,计算效率必然降低。解决方案为了解决上面的挑战,表示学习被引入至知识表示中。具体来说,就是将知识图谱中的实体和关系投影至低维连续空https://blog.csdn.net/bqw18744018044/article/details/122291494?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522166937756016800213036070%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=166937756016800213036070&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_click~default-2-122291494-null-null.142^v66^control,201^v3^control,213^v2^t3_control1&utm_term=transE&spm=1018.2226.3001.4187 要理解TransE建议看上面这篇文章,我是看的这篇。然后看到TransE损失函数那儿再来看我这个,我这个只是解释一下TransE损失函数中的γ这个超参数的作用