知识图谱-KGE-语义匹配-双线性模型-2016：ComplEx【ComplEX是Distmul的改进】【将实数的Embedding映射到复数空间，从而可以处理非对称关系】

已于 2024-02-14 22:38:58 修改
阅读量1.7k 收藏 5
点赞数 1
分类专栏： 知识图谱（Knowledge Graph） 文章标签： 知识图谱 人工智能
于 2022-11-24 14:00:23 首次发布
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/u013250861/article/details/128016893
版权
ComplEX是Distmul的升级版，通过复数向量表示知识图谱实体，利用复数点积处理对称和非对称关系。在矩阵分解中，实体的头实体表示是尾实体表示的复共轭，实部对称，虚部非对称，以实现关系建模。实验表明，ComplEX在多关系数据上的性能优越。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

ComplEX是Distmul的改进。
前提：采用Bilinear Model,该模型的打分函数为f （h,t）= hT·r·t
基础假设：采用复数u = a + bi的方式表示h和t。
打分函数：因此，对于该function，f （h,t）= hT·r·(t),t指的是t复数域上的共轭复数。

反对称性：通过对 hT·r·(~t)的高打分+ (~h)T·r·t低打分训练
对称性：通过把虚部设置为0即可
传递性：不满足，可以通过点积的性质进行简单证明，
传递性建模为：如果有a·b和b·c，是否可以推算出a·c。用(x1,y1)表示a,(x2,y2)表示b，(x3,y3)表示c。随意假设数值&

了解本专栏 订阅专栏 解锁全文 超级会员免费看
知识图谱-KGE-模型（二）：语义匹配模型【RESCAL、DistMult、HoLE、ComplEx、ANALOGY、SNE、NTN、MLP、NAM】
u013250861的博客
11-24 2123
包括RESCAL、DistMult、HoLE、ComplEx、ANALOGY、SNE、NTN、MLP、NAM模型等；
知识图谱-KGE-语义匹配-双线性模型（打分函数用到了双线性函数）-2013：NTN（Neural Tensor Network）
u013250861的博客
12-07 1232
【paper】 Reasoning With Neural Tensor Networks for Knowledge Base Completion【简介】 本文是斯坦福大学陈丹琦所在团队 2013 年的工作，好像是发表在一个期刊上的。文章提出了用于知识库补全的神经网络框架 NTN（Neural Tensor Network），网络结构/打分函数中同时包含双线性函数和线性函数，并用词向量的平均作为实体的表示。NTN 的模型结构图如下：首先得到词向量空间中词的表示，然后用词的组合作为实体的表示，输入神经张量
8.15 知识图谱嵌入技术研究综述-知网-张天成、田雪、孙相会等-软件学报.2023,34(01)-语义匹配模型
weixin_45883486的博客
08-15 410
在 SME 中，实体和关系类型共享相同的表示形式，将定义多关系图的所有符号嵌入到同一空间中 (等价于删除实体和关系类型之间通常存在的概念差异)，并且定义了若干投影矩阵 (用来刻画实体与关系的内在联系)。然而，尽管 NTN 中的张量运算可以更明确地描述实体与关系之间的复杂关系语义关联，但 NTN 的高复杂性限制了其在大规模稀疏知识图谱上的应用。基于相似性评分函数的语义匹配模型，并按照对实体和关系的交互进行编码的不同模型体系结构进行划分，包括线性/双线性模型，矩阵分解模型，神经网络模型 3 个部分。
知识图谱-KGE-语义匹配-双线性模型-2018：SimplE
u013250861的博客
12-07 772
【paper】 SimplE Embedding for Link Prediction in Knowledge Graphs 【简介】 本文是加拿大英属哥伦比亚大学的两位学者发表在 NIPS 2018 上的工作，文章提出了 SimplE（Simple Embedding）。这篇和前面一篇差不多，也是对 1927 年的 CP 进行改进（简化），传统CP为实体分配的两个向量是独立训练的，SimplE利用关系的逆在三元组打分函数中加上了一个对称项，使得每个实体的两个向量依赖学习，并且 SimplE 的复杂度随
知识图谱-KGE-语义匹配-双线性模型-2016：NAM
u013250861的博客
12-07 546
【paper】 Probabilistic Reasoning via Deep Learning: Neural Association Models 【简介】 本文是中科大和科大讯飞联合发表在 IJCAI 2016 上的工作，本文提出了 NAM（Neural Association Model）用于概率推理，并具体化为 DNN（Deep Neural Network）和 RMNN（Relation Modulated Neural Network）两种形式。本文提出用神经网络建模两个 event 之间的
知识图谱-KGE-语义匹配-双线性模型-2018：CP
u013250861的博客
12-07 685
【paper】 Canonical Tensor Decomposition for Knowledge Base Completion 【简介】 这篇是 Facebook 法国巴黎 AI 研究中心发表在 ICML 2018 上的文章，是对传统的张量分解方法 CP（Canonical Tensor Decomposition）做的分析改进。对传统的几个双线性方法进行了详细的分析，探究了（1）最优参数与 loss 形式的影响，（2）正则化形式的影响，提出张量核 p 范数正则化方法，（3）并探究了反向关系推理的
知识图谱-KGE-语义匹配-双线性模型-2017：Analogy【DistMult与ComplEx的合体】
u013250861的博客
12-07 1185
【paper】 Analogical Inference for Multi-relational Embeddings 【简介】 本文是卡耐基梅隆大学的中国学者发表在 ICML 2017 上的工作，提出了 ANALOGY 模型，用于建模实体和关系的推理属性。这个模型应当也算是双线性模型中比较经典的一个了，很多模型的 baseline 中都有它。核心思想就是利用矩阵的交换性约束建模平行四边形一样的类比推理属性。ANALOGY 将关系矩阵约束为正规矩阵，由于它是 "well-behaved" linear m
知识图谱-KGE-语义匹配-双线性模型-2019：RotatE
u013250861的博客
12-07 826
【paper】 RotatE: Knowledge Graph Embedding by Relational Rotation in Complex Space 【简介】 本文是北大和加拿大的研究团队发表在 ICLR 2019 上的文章，提出了 RotatE（Rotation Embedding），主要思想是将实体表示为复向量，关系视为从头实体指向尾实体的旋转（Rotation）。这个模型大概是看明白了的，感觉还是比较巧妙的。RotatE 的提出主要是为了建模三种关系:对称/非对称、反向关系、关系组合这里
知识图谱-KGE-语义匹配-双线性模型-2016：HolE
u013250861的博客
12-07 678
【paper】 Holographic Embeddings of Knowledge Graphs 【简介】 本文是麻省理工的研究人员发表在 AAAI 2016 上的文章，提出了 HolE(Holographic Embedding)，是一个基于向量循环关联操作的组合向量空间模型。不同论文里对同一类方法的表述不同，这里说的组合表示就是指的双线性这一类模型。模型对于三元组打分函数的定义如下：其中，∘∘ 代表组合操作，即对头尾实体根据它们的 embedding 创建一个组合向量。常用的损失函数有两种：一种是
知识图谱-第三方工具：LibKGE（用于Knowledge Graph Embedding）【包含多种模型：TransE、DistMult、ComplEx、ConvE、Transformer等】
u013250861的博客
09-06 1402
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。
知识图谱-KGE-模型：概述【翻译模型：Trans系列】【双线性模型：DisMult、ComplEx】【神经网络模型：ConvE、CapsE】【双曲几何模型：MuRP】【旋转模型：RotatE】
u013250861的博客
11-24 1979
MuRP评分函数为 ，其中 表示在庞加莱圆盘中计算距离， 表示将庞加莱圆盘中的点映射到欧式空间， 表示对角矩阵， 表示将欧式空间中的点转移到庞加莱圆盘中， 是莫比乌斯加法，为庞加莱空间中两向量相加， 表示曲率。针对DisMult存在的问题，ComplEx把DisMult扩展到复数空间表示，并定义评分函数为 f_{r}(h,t) = Re(h^Tdiag(M_r)\bar{t}) ，其中 h, t 均用复数表示， \bar{t} 表示 t 的共轭复数，Re(\cdot) 表示取得复数的实部。
复杂知识图谱问答综述方法、挑战和解决办法
朝闻道
01-28 2382
公众号 系统之神与我同在 本文翻译自 A Survey on Complex Knowledge Base Question Answering: Methods, Challenges and Solutions​arxiv.org/abs/2105.11644 摘要A Survey on Complex Knowledge Base Question Answering: Methods, Challenges and Solutions摘要 知识库问答（KBQA）旨在通过知识库回答问题。近来，
ConEx:Convolutional Complex Knowledge Graph Embeddings+代码
REfusing的博客
04-28 594
Convolutional Complex Knowledge Graph Embeddings 1 介绍 1.1 思想 该论文的核心就是结合ComplEx和维度卷积的形式，进行知识图谱补全。 1.2 知识图谱中存在的关系 symmetric(对称) if (h,r,t)⇐⇒(t,r,h)(h, r, t) ⇐⇒ (t, r, h)(h,r,t)⇐⇒(t,r,h) for all pairs of entities h,t∈Eh, t \in \mathbf {E}h,t∈E anti-symmetri
知识图谱的几个经典模型：TransE、Trans R、ComplEx、ConvKB
guanjian6334的博客
03-23 8479
:::info 💡 这几个模型都是KG表示的经典模型，关于如何对三元组建模Embedding。以下第一个表格是关于各类建模方法中，关系是否能满足一些特性进行的汇总。 ::: 对称性：例如朋友关系。如果有h(r , t)，一定有h(t , r); 反对称性：例如购买关系与出售关系。如果有h1(r, t) ,一定有h2(t ,r); 【h1和 h2是相反方向的一对向量】 传递性：例如亲属关系，父亲的父亲是爷爷。如果有h1(r , t) 和h2(t, y),一定有h3(r , y) 一对N：例如教学关系，一个老
基于ComplEx模型的知识图谱嵌入详解
最新发布
Y-starrydreamer的博客
11-29 1299
ComplEx模型于2016年提出，主要通过复数空间中的运算来表示知识图谱中的实体和关系。与传统的实数向量表示不同，ComplEx利用复数向量表示可以捕捉到更多的关系特性。
基于语义匹配的知识图谱推理模型（RESCAL、DistMult、HolE、ComplEx）
weixin_54387067的博客
11-04 734
1、知识图谱表示成三维张量每个关系对应于张量（三维） 中的一个 切片（二维），即一个矩阵，如下图，其实相当于存储各对实体是否有这样的关系，有则表示为 1，没有则表示为 02、张量分解：RESCAL 通过将关系矩阵和实体向量结合起来，拟合张量（其中的每一层表示第 k 种关系下的所有实体对关系）中的每个值。具体来说，对于三元组 (h,r,t)，其对应的值通过这种方式，RESCAL 可以捕捉到实体和关系的交互作用，从而表示出知识图谱中的复杂关系模式。3、优化目标：通过最小化函数来求得和。
Complex-Yolov4详解：点云模型结构
UePostscript的博客
09-26 404
此外，Complex-Yolov4还采用了YOLO（You Only Look Once）的检测头结构，用于预测点云中的物体边界框和类别。在计算机视觉领域，点云是一种表示三维物体的数据结构，它由大量的点组成，每个点都包含了位置、颜色和其他属性信息。通过编码器-解码器结构、注意力机制和YOLO检测头的组合，Complex-Yolov4能够高效地处理点云数据，并实现端到端的点云物体检测。解码器则通过反卷积层和上采样操作将特征映射回点云空间。它采用了一系列的技术手段，包括点云数据的编码、解码以及点云特征的提取。
【知识图谱】知识图谱嵌入模型简介
热门推荐
zenRRan的博客
10-10 2万+
来自：MIRA Lab知识图谱 (Knowledge Graphs) 是大规模语义网络知识库，采取符号化的知识表示方式，利用三元组来描述具体的知识，并以有向图的形式对其进行表示和存储，具...
Deep Complex Convolution Recurrent Network(DCCRN模型)
weixin_43245268的博客
08-19 3268
Abstract 深度学习给语音增强带来很多益处，传统的时频域(TF)方法主要通过朴素卷积神经网络(CNN)或递归神经网络(RNN)预测TF掩码或语音频谱。一些研究将将复值谱图作为训练目标，在实值网络中训练，分别预测幅值和相位分量或实部和虚部。特别是卷积递归网络(CRN)集成了卷积编解码器(CED)结构和长短期记忆(LSTM)，已被证明对复杂目标有帮助。为了更好的训练复杂目标，本文提出了Deep Complex Convolution Recurrent Network(DCCRN)模型。该模型在Inter
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
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