知识图谱的入门学习笔记

最新推荐文章于 2024-09-15 08:18:19 发布

rrrimp

最新推荐文章于 2024-09-15 08:18:19 发布

阅读量2.5k

点赞数

分类专栏：知识图谱

本文链接：https://blog.csdn.net/rrrimp/article/details/113096147

版权

知识图谱专栏收录该内容

3 篇文章 1 订阅

订阅专栏

本文档介绍了知识图谱的基础，包括其三元组结构和挑战，以及知识表示学习的概念，旨在通过分布式表示捕捉实体和关系的语义。重点讨论了TransE、TransR、RESCAL和DisMult等典型模型，以及优化策略。此外，还提及了DGL-KE，这是一个高效的大规模知识表示学习框架。

摘要由CSDN通过智能技术生成

为了方便今后参阅，故写下该学习笔记。学习资料参考视频地址：https://www.bilibili.com/video/BV1dy4y1m7C4?t=5437

开放资源

1.知识图谱与知识表示学习

1.1 知识图谱

（头实体，关系，尾实体）三元组为基本结构来表示知识。
其中，（h,r,t）是有顺序的。关系是有序的。

知识图谱的（h,r,t）三元组符号表示面临挑战：

计算效率低下。知识图谱的（h,r,t）三元组表示需要图算法进行计算。这张图算法往往计算复杂度比较高，在目前大规模知识图谱上面难以快速运行，且难以扩展至其他情况
数据稀疏性强。大规模知识图谱中的实体与关系存在长尾分布，有很多实体只存在极少数的关系与之相连。对这些系数的实体和关系，往往很难有效理解与推理。

1.2 知识表示学习

只是表示学习基于分布式表示的思想，把实体或者关系的语义信息映射到底为的向量空间中，使得语义相似的两个对象之间的距离也接近。用粗体的h,r,t表示头尾实体和关系对应的表示向量。
知识的分布式表示的特点：

分布式表示学习到的是低维向量，使得实体和关系之间的语义练习能够在低维空间中得到高速计算，
传统one-hot得到的是所有向量的相互独立假设，丢失了大量对象之间的关系与关联信息。
分布式表示能够将多元异质信息映射到同一语义空间，建立多源跨模态的信息交互，且分布式表示也能更便捷的通入深度学习的框架。

2 知识表示学习的典型模型及训练

2.1 TransE模型

在这里插入图片描述
映射到同一个低维实值向量空间，把实体与实体之间的关系表示为实体向量之间的平移操作

E(h,r,t)若趋近于0，此时假设我们改变t变成t‘，那么||h+r-t’||就比较大，评分函数的值比较大。E(h,r,t)-E(h,r,t;)就是一个小于0的值.与0比较取0。
当t‘在t附近，此时h+r约等于t‘。难以分辨，很小的差距是由于负样本的排斥性带来的还是具有关系的近似性得到的？所以就认为产生了损失。
距离远的程度由r 来调整。
在这里插入图片描述