知识图谱嵌入学习

 

  

初始化：通过embedding将三元组信息提取为特征向量。

划分数据集：通过GBA(guity-by-association)原则创造负样本（加判断器确保生成的负样本正确）。

打分函数TransE：一个正则表达，一般是1/2范数。用于计算loss。表示头实体+关联-尾实体趋近于零，表示关联存在。

loss：经过打分函数TransE计算出，正样本中，张三(头实体)的仇人(关系)与李四(尾实体)更加接近(距离)。负样本中，张三(头实体)的仇人(关系)与吴六(尾实体)更加遥远(距离)。

优化器：用来优化entity_embedding。目的是经过迭代，让正样本loss无限趋近于零，让负样本loss无限趋近于无穷大。

图中表明了TransE的向量表示。

但是，TransE有个问题：

当张三有许多仇人的时候(头实体和关系唯一，尾实体不唯一)，h向量和r向量是唯一的，t向量却有很多。这时候TransE优化到最后，会使得t向量长得都很像，向量t的实体失去了特异性。张三的仇人都长得一个样。

因此TransH方法，将h和r向量做投影，与每一个t向量在同一超平面以后再做类似TransE的向量计算。

 TransR方法，是以关系为空间，是通过Mr矩阵，将h和t投影到r空间，然后再进行向量的操作。