超级会员免费看
本文简要介绍了知识图谱嵌入（KGE）的主要方法，包括翻译模型（TransE, TransH, TransR等）、双线性模型（RESCAL, DisMult, ComplEx等）、神经网络模型（ConvE, CapsE等）和旋转模型（RotatE, QuatE, DihEdral等）。这些模型旨在将实体和关系嵌入到低维空间，保留结构和语义信息，用于知识图谱的链接预测和其他应用。文章讨论了各种模型的特点和适用场景，如翻译模型处理1-1关系，双线性模型进行语义匹配，神经网络模型获取深层交互信息，旋转模型利用旋转处理多种关系类型。"
106306365,9462914,Linux系统编译与内核定制实践,"['Linux内核', '运维', '软件构建', ' Busybox', 'centos']
KGE就是将实体和关系嵌入到低维向量空间中，同时保留KG的结构和语义信息
现有的KGE方法可以划分为三类：
基于翻译距离的(translational distance based)
基于语义匹配的(semantic matching based)
基于神经网络的(neural network
一、KGE简介
目前(2020.03)知识图谱嵌入研究方法众多，本文将对其中的主流方法进行简要介绍，如翻译、双线性、神经网络、双曲几何、旋转等。各方法细节请看原论文，文中错误欢迎指出，谢谢。
知识图谱嵌入(Knowledge Graph Embedding, KGE)学习知识库中的实体和关系的Embedding表示，是语义检索、知识问答、推荐等众多应⽤的基础研究。在具体了解KGE之前，我们先来看知识图谱是什么，为什么又要做知识图谱嵌入呢。
如下图所示，知识图谱是由大量的事实三元组组成，如（英国, 首都, 伦敦）便是真实世界中的知识，可用 (h, r, t) 进行表示，其中 h, t 表示头尾实体， r 表示关系。但我们知道，真实世界中知识是无限增长的，而知识图谱却不能包含真实世界中的所有知识，因此需在知识库中进行知识补全，或者称为链接预测。
如何进行链接预测呢？一个可行的方法便是将实体和关系进行Embedding表示&#
订阅专栏 解锁全文
753
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
