PaperReading-TranSparse《Knowledge Graph Completion with Adaptive Sparse Transfer Matrix》

最新推荐文章于 2023-09-11 21:56:19 发布
最新推荐文章于 2023-09-11 21:56:19 发布
阅读量621 收藏 1
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/106874841
版权
TranSparse论文针对知识图谱中关系的异构性和平衡性问题，提出了一种适应性稀疏转移矩阵方法。通过引入稀疏矩阵表示关系的重要性，仅更新非零元素，改善了TransD模型。结构型稀疏矩阵优于非结构型，论文探讨了两种生成方式，并区分共享型和独立型映射。未找到相关代码实现，作者欢迎分享。
摘要由CSDN通过智能技术生成

本文记录了有关TranSparse《Knowledge Graph Completion with Adaptive Sparse Transfer Matrix》论文的相关情况，如果有做相关内容的同学可以邮件与我联系 zhaoliang19960421@outlook.com

背景

之前的基于翻译模型中，将所有的关系是按照同一个标准来进行翻译，没有考虑关系在链接实体上的特性，在论文中将这种由于关系在链接实体上的不同，定义成了两个问题，异构性和平衡性
1

  • 异构性：不同的关系链接的头尾对儿的个数不一样
    实际的情况中，一个关系链接的头尾对儿的数量决定了这个关系在图谱中的重要性，越重要的关系就需要更多的信息来表征。如果所有的关系的重要性认为是一样的时候，就会出现重要的关系表征能力不够（欠拟合），不重要的关系添加了太多不必要的表征内容（过拟合）。因此要对不同重要性的关系进行不同程度的表征

  • 平衡性：同一个关系链接的头实体和尾实体的个数也不一样
    同一个关系中头尾实体的个数不同，决定了这个关系更加关注于头实体或者尾实体。和上面的异构性含义一样，更加关系的内容，就需要用更多的语义信息来表征；如果将头实体和尾实体认为是一样的重要性，也会出现重要的内容表征能力不够（欠），不重要的内容含有更多的语义内容造成了噪音（过）

思路

基于对以上两个问题的思考，Tran

最低0.47元/天 解锁文章
BJUT赵亮
关注
专栏目录
Graph Embedding领域有哪些必读的论文？
m0_67769784的博客
04-08 404
一、翻译距离模型： 【TransE】 Translating Embeddings for Modeling Multi-relational Data 全文链接： 文献全文 - 学术范 (xueshufan.com)【这个网站上边大部分都有，链接太多似乎不能过审，只能辛苦大家自己复制粘贴搜一下，并且还可以一键翻译摘要了解哦！】 【TransH】 Knowledge Graph Embedding by Translating on Hyperplanes 【TransR】 Learning Ent
【论文解读】HyTE
BINGO's BLOG
07-05 2782
HyTE:基于超平面时间感知的知识图谱Embedding 一个人可以非常清贫、困顿、低微，但是不可以没有梦想。只要梦想一天，只要梦想存在一天，就可以改变自己的处境。 — 奥普拉·温弗瑞 Trans系列的主题是基于翻译模型的知识表示学习，主要用来解决知识表示和推理的问题。本文主要介绍TransE和数据集Wordnet、Freebase等。 表示学习：主要面向知识图谱中实体和关系进行表示学习，一般...
parse_trans:解析用于Erlang的转换实用程序
05-02
parse_trans应用程序 作者： Ulf Wiger（ ）。 Parse_transform实用程序 介绍 编写Parse_trans是为了捕获Erlang的语法转换和代码生成中的一些有用模式。 最值得注意的是，也许模块为记录生成了标准化的访问器函数，而使得可以在编译时评估表达式并将结果替换为编译时常量。 鲜为人知的模块，也许是： 可以escript到漂亮地打印源从调试编译.beam文件被调用。 提供可用于简单代码生成的伪函数。 提供各种帮助程序功能，用于遍历代码和管理复杂的解析转换 模组 parse_trans_pp
论文解读：（TranSparse）Knowledge Graph Completion with Adaptive Sparse Transfer Matrix
夏栀的博客
12-11 3224
论文解读：（TranSparse）Knowledge Graph Completion with Adaptive Sparse Transfer Matrix   先前的基于深度学习的知识表示模型TransE、TransH、TransR（CTransR）和TransD模型均一步步的改进了知识表示的方法，在完善知识图谱补全工作上逐渐提高效果。通过先前的模型，我们基本掌握了知识表示的学习方法：首先通...
【读论文】Trans系列知识表示学习方法梳理
朝闻道
02-22 1693
最近要做一个知识库问答系统，再加上对表示推理有了一点不知道对错的想法，于是翻出来知识表示学习经典的Trans系列，把论文里描述的模型和清华THUNLP提供的Tensorflow版程序一起看。 一点关于知识表示学习的背景知识 知识图谱通常是用一个三元组（前件h，关系r，后件t）来表示一条知识，比如：（中国科学院大学，地点，北京），要使用向量表示的话，可以使用one-hot向量（实际使用中通常是mulit-hot向量）来表示。但是问题也来了，one-hot向量维数太高，而且无法表示相近的实体或关系之间的
trans系列模型
weixin_43977748的博客
06-14 1451
1.canonical model（典范模型） canonical这个词来源于canon。 没错，就是和洗脑神曲卡农同源。canon本身也是拉丁语单词，意思是律法，带有一定的宗教意味。所以canonical，形象地来说可以解释为是 天选的。 如果一个对象，它出现在这里或者选择这个特定的形式是自然的，顺理成章的，那么就说这是canonical choice（事实上你可以认为这是natural choice的一种酷炫说法）。反之，若存在可能的歧义或混淆，就不能这么说。 举个简单的例子，把一个Topologica
【知识图谱】——8种Trans模型
汤庆
03-23 2万+
知识图谱对实体和它们丰富的关系的结构化信息编码。虽然一个典型的知识图谱可能得到数百万的实体和数以亿计的关系事实，但离补全还很远。知识图谱补全旨在通过现有知识图谱来预测实体之间的关系。知识图谱补全能够找到新的关系事实，这是对从纯文本进行关系抽取的重要补充。知识图谱扫盲：https://www.jiqizhixin.com/articles/2018-06-20-4 在...
CVPR 2021最全论文开放下载！附pdf下载链接！
中科院AI算法工程师的博客
06-18 1万+
CVPR 2021最全论文开放，附所有pdf下载链接！
CVPR 2022 论文列表（持续更新）
gbstack08的专栏
03-05 1万+
本文包括论文链接及代码 关注公众号：AI基地，及时获取最新资讯，学习资料 GitHub链接：GitHub - gbstack/cvpr-2022-papers: CVPR 2022 papers with code 因为CSDN的markdown编辑器限制，文本多了保存会卡死。大家尽量到上面的GitHub链接去看吧。 CVPR2022 Papers (Papers/Codes/Demos) 分类目录： 1. 检测 2. 分割(Segmentation) 3. 图像处理(Image Pro
高斯过程的matlab程序实现及其参数优化
xingdu_的博客
03-27 9054
高斯过程matlab编程实战详解 本次结论公式均来自《Gaussian Processes for Machine Learning》->http://www.gaussianprocess.org/gpml/ P19 P114 OK,开始吧。 样本： x=(-7.5:1:7.5)'; y=sin(x); 预测点： xstar=(-7.5:0...
浅谈：高斯过程与贝叶斯优化
a769096214的博客
07-05 1万+
        高斯过程（Gaussian process）         高斯过程常在论文里面简写为GP。定义：如果随机过程的有限维分布均为正态分布，则称此随机过程为高斯过程或正态过程。         首先我们来解读一下定义：         第一个问题：什么是随机过程？           大家都学过概率论，一定知道什么叫样本空间和随机变量（此处假设读者知道）。在概率论中，讲过样...
PaperWeekly 第十期
weixin_34119545的博客
08-01 699
引 本期PaperWeekly的主题是基于翻译模型(Trans系列)的知识表示学习，主要用来解决知识表示和推理的问题。表示学习旨在将研究对象的语义信息表示为稠密低维实值向量，知识表示学习主要是面向知识图谱中的实体和关系进行表示学习。使用建模方法将实体和向量表示在低维稠密向量空间中，然后进行计算和推理。一般而言的应用任务为triplet classifi...
一文讲透机器学习超参数调优！
最新发布
尤尔小屋
09-11 1745
机器学习超参数是在开始学习过程之前设置值的参数，而不是通过训练得到的参数数据。超参数是在模型训练之外设置的选项，不会在训练过程中被优化或更改。相反，需要在训练之前手动设置它们，并且对模型的性能有很大的影响。超参数优化库（Hyperparameter Optimization Library）是一种用于自动化超参数优化的软件库或工具。这些库使用不同的算法和技术，以实现自动化超参数搜索和优化过程。超参数优化库通常提供易于使用的接口，允许用户定义要优化的超参数和目标函数。
c++学习笔记1.2函数参数传递方式
Spalanzani的博客
03-17 1343
c++学习笔记1.2函数参数传递方式参数传递的定义参数传递的方式值传递 参数传递的定义 在C++语言中，使用函数调用所给出的实参（实际参数，actual arguments）向函数定义所给出的形参（形式参数，formal arguments）设置初始的过程叫做参数传递（argument passing）。 参数传递的方式 通常来说在C++中调用函数时有三种参数传递方式： （1）传值调用。 （2）传址调用（传指针）。 （3）引用传递。 总体上参数传递可以分为两类，由形参的类别决定：值调用（call by va
Intelligent Condition Based Monitoring of Rotating Machines using Sparse Auto-encoders(翻译)
weixin_50556981的博客
12-24 558
摘要支持向量机（SVM）作为分类器在机器故障诊断中得到了广泛的应用。在大多数复杂的机器学习问题中，主要的挑战在于找到好的特征。稀疏自动编码器能够在无监督的情况下从输入数据中学习良好的特征。稀疏自动编码器和其他深层结构已经在文本分类、说话人和语音识别以及人脸识别等方面取得了很好的效果。本文比较了稀疏自编码器、基于Mahalanobis距离的快速分类器和支持向量机在空压机故障诊断中的性能。 关键词-稀疏自动编码器，支持向量机，马氏距离，特征提取，特征选择 一、 简介 机器是工业的一个组成部分，在生产力方面起着重
【自然语言处理】【知识图谱】知识图谱表示学习(二)：TranSparse、PTransE、TransA、KG2E、TransG
bqw的博客
01-08 2625
【自然语言处理】【知识图谱】知识图谱表示学习(一)：TransE、TransH、TransR、CTransR、TransD 一、符号 使用G=(E,R,T)G=(E,R,T)G=(E,R,T)来表示完整的知识图谱，其中E={e1,e2,…,e∣E∣}E=\{e_1,e_2,\dots,e_{|E|}\}E={e1​,e2​,…,e∣E∣​}表示实体集合，R={r1,r2,…,r∣R∣}R=\{r_1,r_2,\dots,r_{|R|}\}R={r1​,r2​,…,r∣R∣​}表示关系集合，TTT表示三元组
基于翻译模型（Trans系列）的知识表示学习
热门推荐
wp_csdn的专栏
03-19 2万+
翻译模型（Trans） 解决问题：知识表示与推理 将实体向量表示（Embedding）在低维稠密向量空间中，然后进行计算和推理。 主要应用：triplet classification, link prediction 目前基于翻译模型（Trans系列）的知识表示学习的研究情况 TransE, NIPS2013, Translating embeddings for mode...
知识表示--trans系列
盘一哈nlp
07-12 1483
知识图谱（知识表示）--Trans系列基础知识TransE（Translating Embeddings for Modeling Multi-relational Data（2013））TransH（Knowledge Graph Embedding by Translating on Hyperplanes（2014））TransR（Learning Entity and Relation E...
综述 | 知识图谱向量化表示
开放知识图谱
10-26 3303
本文作者：窦洪健，2016级研究生，目前研究方向为推荐系统、文本生成，来自中国人民大学大数据管理与分析方法研究北京市重点实验室。 本文收录于RUC AI Box专栏，为该专栏特供稿件（https://zhuanlan.zhihu.com/RucAIBox）。 前言：知识图谱主要的目标是用来描述真实世界中间存在的各种实体和概念，以及它们之间的关联关系。知识图谱常被应用于以下几个方面：
Text-Augmented Open Knowledge Graph Completion via Pre-Trained Language Models
06-12
《Text-Augmented Open Knowledge Graph Completion via Pre-Trained Language Models》是一篇关于利用预训练语言模型来增强知识图谱自动补全的论文。该论文提出了一种基于文本增强的知识图谱补全方法，该方法使用预训练的语言模型对实体描述和关系描述进行编码，并将其与知识图谱中的实体和关系嵌入向量进行联合训练，以生成更好的嵌入向量。该方法还使用了一种基于标签传播的后处理方法来进一步提高补全的准确性。实验结果表明，该方法在多个知识图谱补全任务上取得了优异的性能。
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