PaperReading-TransR,《Learning Entity and Relation Embeddings for Knowledge Graph Completion

最新推荐文章于 2024-04-17 13:30:00 发布
最新推荐文章于 2024-04-17 13:30:00 发布
阅读量527 收藏 2
点赞数
分类专栏： paperreading
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/qq_22235017/article/details/106698936
版权
这篇博客介绍了TransR模型解决知识图谱中自反、一对多、多对一关系问题的思路，通过实体与关系的独立空间映射提升表示能力。CTransR作为TransR的改进，通过聚类进一步优化关系表示。作者寻求与相关研究者交流，并希望获取TransR/CTransR的实现代码。
摘要由CSDN通过智能技术生成

本文记录了阅读TransR论文时的相关内容，如果有做相关工作的同学，欢迎与我沟通联系 zhaoliang19960421@outlook.com

背景

TransR论文的提出还是为了来解决在TransE中无法解决的自反、一对多、多对一的关系问题。
有一个很显然的想法就是，在知识图谱中的实体和关系是不一样，那么他们存在的语义空间也就应该不一样，实体空间就是专门的来表示实体上的属性，关系空间就是来表示实体之间的关系内容的。
TransR就是利用这样的想法，对于实体和关系分别构建了一个空间（空间维度可以一样，也就是说当两个空间维度一样的时候实际上和TransE是一样的）。在计算三元组的势能差时，由于实体和关系不在同一个空间中，无法直接的计算，需要用一种映射方法将实体映射到对应的关系空间里面，然后利用在关系空间里面的实体的映射向量进行计算。

思路

在论文中的图像也清楚的显示TransR 和TransE的区别
1
对于每一个关系，都有一个映射矩阵，这个矩阵负责将实体（包括头实体和尾实体）从实体空间映射到关系空间，然后在关系空间中进行计算（论文中写的是在关系空间中进行TransE）
论文上的图片在原始的实体空间中的对于每一类实体（头实体、尾实体）中都是聚集在一起的（三角形和圆形）；但是通过映射之后，和这个关系有关的实体被聚集其它的被远离（三角形都远离了圆形，而圆形是具有这个关系的)。从图上

最低0.47元/天 解锁文章
BJUT赵亮
关注
专栏目录
Learning Entity and Relation Embeddings for Knowledge Graph Completion
Talk Is Cheap
11-10 4890
我们这样来训练embeddings，首先把 实体空间 映射到对应的 关系空间，然后在 已经映射的实体间 建立翻译。 实验中，我们通过这样的任务评估模型，link预测，三元组分类，关系事实抽取。知识图谱补全的目标是预测实体间的关系，在有监督的已有知识图谱下。 知识图谱补全类似社交网络分析中的link预测，不同点是知识图谱补全中，我们不仅要预测关系存在，还要预测关系类型。 最近比较流行把知识图谱e
【PaperReading】Knowledge Graph Embedding Based Question Answering
小哲的博客
05-03 3150
Knowledge Graph Embedding Based Question Answering Xiao Huang, Jingyuan Zhang, Dingcheng Li, Ping Li 基于问答的知识图谱嵌入 Abstract Question answering over knowledge graph(QA-KG) aimstouse facts in the knowledg...
论文解读：（TransR）Learning Entity and Relation Embeddings for Knowledge Graph Completion
夏栀的博客
12-04 7695
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...
Learning Entity and Relation Embeddings for Knowledge Graph Completion (TransR)论文翻译
鲁鲁晓生
03-28 3307
整理转自：fffnull 的 CSDN 博客，感谢他的翻译分享 论文原文地址：Learning Entity and Relation Embeddings for Knowledge Graph Completion
【论文笔记】《Learning Entity and Relation Embeddings for Knowledge Graph Completion》
weixin_45841983的博客
10-18 3696
学习实体和关系嵌入在完成知识图谱中的应用1 题目2 摘要3 问题定义4 方法及原理4.1 TransE模型[2]4.2 TransH模型[3]4.3 TransR模型5 研究成果5.1 链接预测5.2 关系抽取5.3 三元组分类6 创新点7 个人体会 1 题目 英文原标题： Learning Entity and Relation Embeddings for Knowledge Graph Completion 中文译题： 学习实体和关系嵌入在完成知识图谱中的应用 2 摘要 论文摘要的中文翻译内容 知识图
Knowledge Graph Embedding: A Survey of Approaches and Applications 摘要
agjirowjtg的博客
02-18 3579
想看原文戳这里 1. introduction (1) the definition of KG A KG is a multi-relational graph composed of entities (nodes) and relations (different types of edges). (2) examples Freebase, DBpedia, YAGO, NELL...
Knowledge Graph表示学习--TransE系列
热门推荐
hy_jz的博客
01-01 1万+
知识图谱（Knowledge Graph or KG），如： Free Base、DBpedia、YAGO、NELL等已经成功地应用到语义分析、信息抽取、问答系统等方面。知识图谱是由实体（entity）和关系（relations: 不同类型的边）构成的多关系图。每一条边都以三元组的形式呈现（head entity, relation, tail entity），这也叫做fact。 KG Embed
Learning Entity and Relation Embeddings for Knowledge Graph Completion翻译笔记（学习实体和关系嵌入以完成知识图谱）
最新发布
weixin_56242678的博客
04-17 2095
Learning Entity and Relation Embeddings for Knowledge Graph Completion翻译笔记（学习实体和关系嵌入以完成知识图谱）
知识图谱论文梳理【TransR：用于知识图完成的学习实体和关系嵌入】
m0_49230366的博客
06-24 1217
知识图谱论文梳理【 HyTE：基于超平面的时序知识图谱】 知识图谱论文梳理【 TransE：】 知识图谱论文梳理【 TransH：】 知识图谱论文梳理【 TransR：】 知识图谱论文梳理【 TransD：】 知识图谱论文梳理【 TransA：】 知识图谱论文梳理【 TransG：】 知识图谱论文梳理【 Transparse：】 知识图谱论文梳理【 TransA+：】Knowledge graph completion aims to perform link prediction between enti
Iteratively Learning Embeddings and Rules for Knowledge Graph Reasoning.pdf
08-09
Reasoning is essential for the development of large knowledge graphs,especiallyforcompletion,whichaimstoinfernewtriples basedonexistingones.Bothrulesandembeddingscanbeusedfor knowledgegraphreasoningandtheyhavetheirownadvantages anddifficulties.Rule-basedreasoningisaccurateandexplainable butrulelearningwithsearchingoverthegraphalwayssuffersfrom efficiencyduetohugesearchspace.Embedding-basedreasoningis morescalableandefficientasthereasoningisconductedviacomputationbetweenembeddings,butithasdifficultylearninggood representationsforsparseentitiesbecauseagoodembeddingrelies heavilyondatarichness.Basedonthisobservation,inthispaper we explore how embedding and rule learning can be combined together and complement each other’s difficulties with their advantages.WeproposeanovelframeworkIterEiterativelylearning embeddingsandrules,inwhichrulesarelearnedfromembeddings with proper pruning strategy and embeddings are learned from existingtriplesandnewtriplesinferredbyrules.Evaluationson embeddingqualitiesofIterEshowthatruleshelpimprovethequality of sparse entity embeddings and their link prediction results. Wealsoevaluatetheefficiencyofrulelearningandqualityofrules fromIterEcomparedwithAMIE+,showingthatIterEiscapableof generatinghighqualityrulesmoreefficiently.
Knowledge_Graph_Reasoning_Papers:必读的知识图推理论文
04-29
知识图推理论文 主要由，并维护。 感谢GitHub上所有杰出的贡献者！ 内容 4.1基于路径的查询 4.2复杂逻辑查询 4.3复杂自然语言查询 5.基准与评估 致谢 1.调查文件 评论：知识图上的知识推理。 陈晓军，贾胜斌，杨翔。 具有应用程序的专家系统。 纸 2.多跳推理 2.1实体预测 预测丢失的尾部实体和相应的支撑路径为三分之一。 （h，r，？）->（h，r，t） 散步并到达答案：使用强化学习对知识库中的路径进行推理。 拉贾尔·达斯（Rajarshi Das），谢赫扎德·杜利亚瓦拉（Shehzaad Dhuliawala），曼齐尔·扎海尔（Manzil Zaheer），卢克·维尔尼斯（Luke Vilnis），伊桑·杜鲁格卡（Ishan Durugkar），阿克舍·克里希那穆提（Alexs Smola），安德鲁·麦卡勒姆（Andrew McCallum）。 ICLR 20
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.
Paper Reading
LJQ的博客
08-18 266
Motion Planning 2021.8.17 sequential convex optimization convex collision checking CHOMP (Covariant Hamiltonian Optimization for Motion Planning) At the core of our approach are (a) a sequential convex optimization procedure, which penalizes collisions w
Paper reading
qingjian2052的博客
12-19 635
Computation Accessible region R: R=∑i=1nai R = \sum_{i=1}^na_{i}R=i=1∑n​ai​ Service population S: S=∑i=1nai∗pi S = \sum_{i=1}^na_{i}*p_{i}S=i=1∑n​ai​∗pi​ Service population indicators: P=∑i=1nai...
【Paper Reading】
bryant_meng
08-09 3835
欧洲人一般比较看中理论，但是从最近一次会议来看，似乎大家也开始注重应用了，oral里面的demo非常之多，演示效果很好，让人赏心悦目、叹为观止。不过欧洲的会有一个不好，就是他们的人通常英语口音很重，有些人甚至不太会说英文，所以开会和交流的时候，稍微有些费劲。《International Comference on Computer Vision》，正如很多和他一样的名字的会议一行，这样最朴实的名字的会议，通常也是这方面最nb的会议。那么一年过去了，合格的论文评审人员的增幅是否赶得上论文的增幅呢？
论文阅读方式（paper reading）
ikerpeng
02-12 4525
南加州大学的教授给我们分享了他带的研究生博士生是如何paper reading的。下面简单记录一下。   论文阅读最好的方式是Passive Reading。当你拿到一篇论文的时候，首先看看文章的题目+abstract，看看里面有没有新意，决定要不要往下看；然后再看看introduction，这个时候就放下来，思考一下，作者会怎么写？你希望作者给你怎样的答案。然后再接着往下看。这样的效果好得多
探索高效阅读利器：PaperReading
gitblog_00075的博客
04-08 571
探索高效阅读利器：PaperReading 去发现同类优质开源项目:https://gitcode.com/ PaperReading 是一个开源的、基于 Web 的学术论文阅读和管理工具，旨在帮助研究者、学生和其他对学术文献有需求的用户更有效地组织、注解和检索他们的学术资料。通过优雅的界面和强大的功能，它将复杂的文献管理变得简单易行。 项目简介 PaperReading 提供了在线阅读 PDF ...
Paper Reading: Dynamic Routing Between Capsules (NIPS 2017)
weixin_30834783的博客
03-09 96
capsule -> a group of neurons whose activity vector represents something. length of the activity vector represent the probability and orientation represent the instantiation parameters 可以把caps...
知识图谱嵌入技术解析
"Knowledge Graph Embedding.pptx" 知识图谱（Knowledge Graph，KG）是一种语义网络，由知识点连接而成，它将实体、关系和属性以结构化的方式表达，便于计算机理解和处理。在知识图谱中，三元组（Triple）是基本...
评论 2
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