知识图谱——链接预测(表示学习)

本文深入探讨了知识图谱的链接预测,包括TransE、TransH、TransR等系列算法,以及ConvE、SimplE等图结构的深度学习方法。文章还提到了重要趋势,如融合多源信息、路径建模和编码解码原理的应用。
摘要由CSDN通过智能技术生成

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:

评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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