知识图谱笔记：TransH

于 2023-09-02 03:58:13 发布
阅读量483 收藏
点赞数 1
分类专栏： 机器学习 文章标签： 知识图谱 笔记 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40206371/article/details/132633870
版权

1 TransE存在的问题

  • 一对多
    • 假设有一个关系 "是父亲"，其中一个父亲（头实体）可能有多个孩子（尾实体）
      • 父亲 A -> 孩子 1
      • 父亲 A -> 孩子 2
    • 在 TransE 中，这两个关系会被建模为：
      • A+是父亲≈孩子1
      • A+是父亲≈孩子2
    • 由于 孩子1 和 孩子2 是不同的实体，它们的嵌入向量也会不同。但在TransE的设定中，这两个孩子的embedding 会很相似/一致
  • 多对一
    • 考虑一个 "是首都" 的关系，多个城市可能是同一个国家的首都（例如，在历史不同阶段）
      • 城市 A -> 国家 X
      • 城市 B -> 国家 X
    • 在 TransE 中，这两个关系会被建模为：
      • 城市A+是首都≈国家X
      • 城市B+是首都≈国家X
    • 这里，两个不同的头实体（城市 A 和城市 B）通过相同的关系平移到同一个尾实体（国家 X）。
      • 由于 TransE 的平移操作是固定的，这种多对一的关系很难被准确地模拟

2 TransH

  • 核心思想是对每一个关系r定义一个超平面Wr，和一个关系向量dr
    • h_\perp, t_\perp是头实体h和尾实体t在Wr上的投影
    • TransH要求的正确三元组为：h_\perp+d_r=t_\perp
    • ——>这样能够使得同一个实体在不同关系中的意义不同，同时不同实体，在同一关系中的意义，也可以相同

2.1 目标函数

2.1.1h_\perp, t_\perp的计算

  • 记wr为平面Wr的单位法向量
    • h在wr方向的投影为h_{w_r}=w_r^Thw_r
      • w_r^T=|w_r||h|cos\theta=|h|cos\theta是h在wr方向 上投影的长度(带正负号)
      • 乘以单位法向量wr，就是在w上的投影
  • 所以

同理

2.1.2 目标函数

参考内容：TransH 算法详解_MonkeyDSummer的博客-CSDN博客

UQI-LIUWJ
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
​知识图谱：基于嵌入的模型（TransE 、TransH、TransR和TransD）
sinat_41942180的博客
03-12 2290
论文提出了一种新的学习知识图谱在低维向量空间的嵌入（embedding）的方法——TransH，在克服了TransE的种种局限性（自反映射/一对多/多对一/多对多）的同时，继承了TransE的高效性。经过广泛的实验后，实验表明TransH的效果相较TransE有了很可观的提升，同时论文提出的减少错误负采样标签的Trick也被证明是有效的。但同时本论文同样存在自己的局限性，虽然TransH模型克服了TransE的部分局限性，
知识图谱综述笔记
fakeeight的博客
06-05 350
知识图谱 目的 以结构化的方式描述客观世界中概念、实体、事件及其间的关系，将互联网的信息表达成更接近人类认知世界的形式，提供了一种更好地组织、管理和理解互联网海量信息的能力。 概念 人们理解客观世界的线索，是人们对客观世界中的事物在不同层次上的概念化描述，概念层次是知识图谱的“骨骼” 如人、动物、组织机构等 实体 客观世界中的具体事物 如篮球运动员姚明、互联网公司腾讯等 事件 客观世界的活动 如地震、买卖行为等 关系 述概念实体、事件之间客观存在的关联 如毕业院校描述了个人与其所在院校的关系，
知识图谱——TransH模型原理
hei653779919的博客
02-14 7022
知识图谱——TransH模型原理 1 从TransE到TransH模型 在之前的文章知识图谱——TransE模型原理中，我们介绍了TransE模型的基本原理，对于TransE模型而言，其核心思想为： h+r=th+r=th+r=t 其中h是头实体向量，r是关系向量，t是尾实体向量。根据这个核心公式，我们不难发现其存在着一定的局限性。比如当存在多对一 关系的时候，假设(h1,r,t),(h2,r,t...
TransH 算法详解
热门推荐
MonkeyDSummer的博客
12-27 1万+
TransH 算法详解 文章目录TransH 算法详解算法背景transE算法存在的问题解决方法算法描述几何含义目标函数梯度参考文献或博客 算法背景 transE算法存在的问题 在我的上一篇博客中，提到了TransE算法。其在知识表示的引用中因为其简单，高效的特性而广受欢迎。但是其也存在一定的缺陷。例如在处理自反关系，以及一对多、多对一、多对多关系时存在一些不足。 通过上一篇博客容易知道，Tra...
知识表示学习（二）：TransH
u013010473的博客
08-12 1317
TransH
论文解读：（TransH）Knowledge Graph Embedding by Translating on Hyperplanes
夏栀的博客
12-01 7903
论文解读：（TransH）Knowledge Graph Embedding by Translating on Hyperplanes   TransE是一种经典的知识表示学习方法，其通过对头实体、尾实体及对应关系进行建模，设计 d(h+l−t)d(h+l-t)d(h+l−t) 的能量函数，并运用负采样和随机梯度下降的方法对待训练的向量进行调整，从而能够得到不错的低维向量。TransE模型在链接...
知识图谱表示学习-TransH算法
weixin_41360609的博客
07-20 1723
TransH 目录TransH简介缺陷 简介 为了改善 TransE 在建立复杂关系模型上的不足，在 TransE 的基础上提出了 TransH 算法[22]。TransH 引入了超平面，将关系定义在超平面上，将实体投影到了超平面上。这样对于相同实体，在不同关系下，他们在超平面的上的关系可以同时成立，使得同一实体在不同关系或三元组中所代表的意义可以不同，相当于实体拥有了分布式表示。这就帮助模型解决了多对一、一对多、多对多关系建模的问题。 TransH 定义了一个超平面法向量 Wr，Wr 为单位向量。对于一个
Zhang-Each#Awesome-CS-Course-Learning-Notes#论文阅读笔记06：TransH1
07-25
论文阅读笔记6：TransH阅读知识图谱嵌入领域的论文《Knowledge Graph Embedding by Translating on Hyperpla
基于PyTorch的知识图谱表示
01-04
知识图谱是一种结构化的知识存储方式，它将实体（如人、地点、事件等）及其关系以图形的形式呈现，使得机器能够理解并处理这些信息。在人工智能领域，知识图谱的表示学习是研究的重点，目的是将实体和关系转化为低维...
TransH论文
12-11
关于TransH的论文，提出了TransH算法，并进行了实验。
TransE系列源码
12-29
TranE是一篇Bordes等人2013年发表在NIPS上的文章提出的算法。它的提出，是为了解决多关系数据（multi-relational data）的处理问题。我们现在有很多很多的知识库数据knowledge bases (KBs)，比如Freebase、 Google Knowledge Graph 、 GeneOntology等等。 TransE的直观含义，就是TransE基于实体和关系的分布式向量表示，将每个三元组实例（head，relation，tail）中的关系relation看做从实体head到实体tail的翻译（其实我一直很纳闷为什么叫做translating，其实就是向量相加），通过不断调整h、r和t（head、relation和tail的向量），使（h + r） 尽可能与 t 相等，即 h + r = t。 以前有很多种训练三元组的方法，但是参数过多，以至于模型过于复杂难以理解（作者表达的意思就是，我们的工作效果和你们一样，但我们的简单易扩展）。（ps：作者以前也做过类似的工作，叫做Structured Embeddings，简称SE，只是将实体转为向量，关系是一个矩阵，利用矩阵的不可逆性反映关系的不可逆性。距离表达公式是1-norm）。
SEU 知识图谱表示学习1
08-03
在知识图谱的背景下，这一技术尤为关键，因为它使得实体（如人、地点、事件）和它们之间的关系（如“出生地”、“父亲”等）可以被有效地编码和检索。 知识图谱是由节点（实体）和边（关系）组成的图形结构，通常以...
知识图谱构建技术综述PPT
11-02
知识图谱是人工智能领域的重要组成部分，它以结构化的方式存储和组织大量的信息，使得机器能够理解和推理知识。本文主要从知识图谱的发展历程、技术架构、构建技术以及应用领域进行详细阐述。 首先，知识图谱的发展...
TransH论文翻译
Alex的博客
12-06 1306
TransH全文翻译
transH算法实现知识图谱补全实验
Crashyi的博客
03-04 4680
transH算法实现知识图谱补全实验 1. 目的 使用transH算法进行知识图谱补全实验 2. 数据集 本次实验采用freebase数据集的FB15k, 该数据集共有entity2id.txt，relation2id.txt，test.txt，train.txt和valid.txt共五个文件。实验过程中，训练时主要采用entity2id.txt，relation2id.txt，train.txt三个文件，测试集使用test.txt。 3. 方法 本次实验主要采用transH模型进行知识图谱补全实验，
TransH模型原理
kuxingseng123的博客
02-15 517
慢慢的将各种transH模型整理完整，会自己建模做知识图谱的嵌入。
TransH
vincent_duan的专栏
05-31 844
为了解决TransE模型在处理一对多 、 多对一 、多对多复杂关系时的局限性，TransH模型提出让一个实体在不同的关系下拥有不同的表示。如下公式所示，对于关系rrr，TransH模型同时使用平移向量rrr和超平面的法向量wrw_rwr​来表示它。对于一个三元组(h,r,t)(h, r, t)(h,r,t) , TransH首先将头实体向量hhh和尾实体向量rrr，沿法线wrw_rwr​，映射关系rrr对应的超平面上，用h⊥h_\perph⊥​和t⊥t_\perpt⊥​表示如下: h⊥=h−wr⊤hwrt⊥
基于关系抽取的相似度计算
最新发布
Hekena的博客
05-25 1215
知识图谱嵌入：知识图谱嵌入是将知识图谱中的实体和关系转换为数值化的表示，可以看成一个基础任务，学习出的嵌入表示可以用于各种和知识图谱相关的任务。
知识图谱完成：现状与技术综述
知识图谱完成（Knowledge Graph Completion, KGC）是当前知识图谱构建与相关应用中的研究热点，其目标在于通过预测知识图谱中缺失的实体或关系，挖掘未知事实，从而丰富和完整知识图谱的结构。这项工作在陕西长安...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

UQI-LIUWJ

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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