自然语言处理(NLP)-知识图谱:知识表示学习(知识图嵌入)----> 知识推理【TransE系列模型】【第三方库:OpenKE(清华大学开源)】

本文深入探讨了知识表示学习中的TransE模型,介绍了TransE的基本原理、训练方法及其局限性。通过案例展示了TransE在知识图谱补全任务中的应用,包括数据集、模型构建和评价指标。同时,提到了TransE的优化方案和第三方库OpenKE。
摘要由CSDN通过智能技术生成

一、知识表示学习简介

表示学习又称表征学习( Representation learning) , 主要是利用机器学习技术自动获取每个实体或者关系的向量化表达, 旨在将描述对象表示为低维稠密向量( 即分布式向量) 。

分布式表示的对象均被表示成一个低维的稠密、实值向量, 利用对象在空间的相对距离, 反映它们之间的语义关系。两个对象离得越近, 说明关系越紧密, 两个对象离得越远, 说明它们之间没有太强的关系。

将表示学习应用于知识表示中称之为知识表示学习或知识图嵌入。

知识表示学习将知识库中的实体和关系嵌入到连续的向量空间中, 以便简化操作, 同时保持知识图谱的结构。

从形式上知识表示学习主要可以分成两类:

  • 一种是基于结构的表示学习方法, 主要是从三元组的结构出发学习知识图谱中实体和关系的表示;
  • 一种是基于语义的表示学习方法, 通过考虑文本语义来学习实体和关系的表示;

从发展来看, 目前知识表示学习的研究进程主要可以分成两个阶段, 以 2013 年 Borders 等人受Mikolov 发现的词向量空间中存在的平移不变性这一有趣现象的启发, 从而提出的 TransE 模型为分割。

  • 2
    点赞
  • 33
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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