用于Knowledge Graph Embedding的向量表示库有很多,比如:
LibKGE的主要目的是为了助力知识图谱表示模型复现研究并提供训练方法。
LibKGE提供整洁的训练实现,超参优化和评估策略。并且所有的现在的启发式实现都是基于本地配置文件,符合了软件的开闭原则,不同的参数,模型选择,只需要修改配置文件即可。
一、主要特点
1、训练
训练方法:负采样、1vsALL,KvsALL
损失函数:交叉熵损失函数、KL散度、Margin Ranking、平方差
优化器、学习率可以根据不同任务独立选择
学习率预热 (LR warmup)
支持断点恢复
自动内存管理
2、调参
网格搜索、随机搜索、手动搜索、贝叶斯优化
并行化(多CPU/GPU)
断点恢复
3、评估
平均倒数排名、HITS@K
4、支持的KGE模型
RESCAL、TransE、TransH、DistMult、ComplEx、ConvE、SimplE、CP、RotatE、Transformer
参考资料:
知识图谱表示学习(1)——LIBKGE的使用