论文阅读：Representation Learning for Scene Graph Completion via Jointly Structural and Visual Embedding

RLSV (IJCAI2018)

  本文将知识图谱补全中的著名的Trans系列的算法之一TransD用到了Scene Graph Completion（简称SGC）中。顾名思义，SGC是在已经有了生成好的scene graph的基础上对其进行补充，发掘检测到的物体之间遗漏掉的关系。

  首先介绍一下TransE模型，对于知识图谱中的一个三元组（head，relation，tail），将relation看作从head到tail的翻译，即满足h+r≈t，其中h、r与t分别代表三个元素的向量形式。之后TransR对TransE进行了改进，因为每个实体其实是有多种属性的，而不同的关系考虑的是实体的不同属性，因此TransR中每个关系不仅有一个向量r表示，还有对应的映射矩阵M_r描述这个关系所处的关系空间，即需要满足hW_r+r≈tW_r。但是由于TransR的参数过多，于是又出现了TransD对其进行改进，TransD中不管是关系还是实体，都用两个向量表示，一个是普通的嵌入h、r、t，另一个则是用于得到TransR中的转换矩阵的表示，h_p、r_p和t_p（问题是如何得到这些表示）。比如对于实体h和关系r, 转换矩阵W_rh=r_p*h_p’。

  上图是RLSV的架构，主要有两个模块