点击上方,选择星标或置顶,每天给你送干货!
来自:机器学习与自然语言处理
本文分享一篇知识图谱表示学习汇报ppt,将知识图谱表示学习方法粗略分为四大类,涉及将近30篇优秀论文,只简单介绍其核心思想,完整汇报ppt获取请关注公众号回复关键字:知识图谱表示学习
1、翻译距离模型:包括TransH、TransR、TransD、TranSparse、TransM、MianfoldE、TransF、TransA、KG2E、TransG、UM、SE模型等;
2、语义匹配模型:包括RESCAL、DistMult、HoLE、ComplEx、ANALOGY、SNE、NTN、MLP、NAM模型等;
3、随机游走模型:包括DeepWalk、LINE、node2vec模型等;
4、子图汇聚模型:包括GCN、GAT、GraphSage模型等。
Motivation
知识图谱是由实体(节点)和关系(不同类型的边)组成的多关系图,每条边连接头尾两个实体,通常用SPO三元组进行表示(subject,predicate, object),被称为一个事实。虽然知识图谱在表示结构化数据方面很有效,但这类三元组的潜在符号特性通常使得KGs很难操作。
因此知识图谱表示学习便成为了一个热门的研究方向,知识图谱嵌入的关键思想是将图谱中的实体entity和关系relation转化为连续的向量,在保留KG原有结构的同时使得操作方便。于是便可将entityembedding和relationembedding用到下游各种任务中,例如图谱补全,关系抽取,实体分类,实体链接及实体融合等
知识图谱嵌入技术经典三个步骤:
1、representingentities and relations
2、defininga scoring function
3、learningentity and relation representations(最大化所有观测事实的置信度plausibility)
根据scoringfunction区别分为distance-based scoring functions和similarity-based scoring functions
Papers
说个正事哈
由于微信平台算法改版,公号内容将不再以时间排序展示,如果大家想第一时间看到我们的推送,强烈建议星标我们和给我们多点点【在看】。星标具体步骤为:
(1)点击页面最上方“深度学习自然语言处理”,进入公众号主页。
(2)点击右上角的小点点,在弹出页面点击“设为星标”,就可以啦。
感谢支持,比心。
投稿或交流学习,备注:昵称-学校(公司)-方向,进入DL&NLP交流群。
方向有很多:机器学习、深度学习,python,情感分析、意见挖掘、句法分析、机器翻译、人机对话、知识图谱、语音识别等。
记得备注呦
推荐两个专辑给大家:
专辑 | 李宏毅人类语言处理2020笔记
整理不易,还望给个在看!