超级会员免费看
本文介绍了知识图谱中实体和关系的向量表示方法，从TransE开始，探讨了TransH、TransR、TransD等模型的工作原理和优缺点，这些模型试图通过转换操作来捕捉实体间的关系，从而实现知识图谱的向量表示学习。
目录
从词向量到实体向量
知识图谱的向量表示。有一类词是代表实体的，假如对这类实体词的向量做一些计算，比如用Rome向量减去Italy的向量，会发现这个差值和用Paris的向量减去France的向量比较接近。这里的原因是Rome和Italy之间，以及Paris和France之间都存在is-capital-of的关系，如下图所示。这里看到了熟悉的知识图谱<主语, 谓语, 宾语>三元组结构。这启发可以利用三元组结构来学习知识图谱中实体和关系的向量表示，就像可以利用句子中词的上下文共现关系来学习词的向量表示一样。
知识图谱向量表示学习模型
TransE
标题：Translating Embeddings for Modeling Multi-relational Data（2013）
有很多这样利用主谓宾三元组结构来学习知识图谱中实体和关系的向量表示的模型，其中一个比较简单但有效的模型是TransE。这是转换模型系列的第一部作品。该模型的基本思想是使head向量和relation向量的和尽可能靠近tail向量。这里我们用L1或L2范数来衡量它们的靠近程度。
它的想法很简单，给定一个三元组<h,r,t>，其中h代表head，即主
订阅专栏 解锁全文
1471
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
