系列算法
TransE:同一语义空间表示,向量加法
TransH:让一个实体在不同关系下有不同的表示
TransR:认为不同的关系拥有不同的语义空间(实体向关系空间投射)
CTransR:细分关系
TransD:为头尾实体构建不同的投影矩阵(矩阵与实体关系都相关)
TranSparse:为头尾实体构建不同的投影矩阵(不同的矩阵稀疏度)
TransA:损失函数中距离度量改用马氏距离,并为每一维的学习设置不同权重
TransG:用高斯混合模型来描述头尾实体(一种关系,对应多种语义;每种语义用高斯分布表示)
KG2E:头尾实体的向量差用高斯分布表示,关系也用高斯分布表示,评估两个分布之间的相似度
ConvE:图结构的多层卷积网络
SimplE:
(1)每个实体表示成两个向量:头实体向量和尾实体向量(每个向量是独立的)
(2)每个关系表示成两个关系:顺关系和逆关系向量
DKRL:
(1)结构化信息的表示:原有的算法
(2)描述性信息的表示:用CBOW或者深度学习网络对描述信息进行建模
(3)能量函数:Es+Ed(Edd+Esd+Eds)
OpenKGC:
(1)只用文本信息特征来学习实体和关系的表示;
(2)能为没有见过的实体学习表示向量(但该构成该实体的单词必须是固定的)
PTransE: