知识图谱-KGE-语义匹配-双线性模型-2015：DistMult【把双线性模型RESCAL的关系矩阵限制为了对角矩阵】【缺点：由于只用到对角线上的元素，所以只能处理对称关系】

已于 2024-02-14 22:38:45 修改
阅读量1.2k 收藏 3
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 14:02:10 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/128017366
版权

1. DistMult模型简介

【paper】 Embedding entities and relations for learning and inference in knowledge bases

DistMult对应的论文为Embedding Entities and Relations for Learning and Inference in Knowledge Bases，发表于ICLR 2015。

【简介】 这篇文章是康奈尔大学和微软的研究者发表在深度学习顶会无冕之王 ICLR 2015 上的工作，文章提出了 DistMult。模型的改进微乎其微，就是把双线性模型的关系矩阵限制为了对角矩阵，然后重点是用 embedding-based 的方法做了规则挖掘。看文章署名的话应该都是中国人，行文结构也很典型，因此看起来感觉比上一篇舒服多了，大部分内容基本能看懂。

2. DistMult论

了解本专栏 订阅专栏 解锁全文 超级会员免费看
u013250861
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
订阅专栏
时序知识图谱嵌入模型DE-Distmult代码解读
qq_43591859的博客
04-01 2571
de_distmult.py dataset:经过dataset.py读取后得到的全部数据集信息： all_facts_as_tuples：包含训练集，验证集，测试集全部四元组，以第一条四元组为例： （22，31，23，2014.0，10.0，13.0）22为头实体id，31为关系id，23为尾实体id。2014指代年，10为月份，13为日。 ent2id:指实体与其id的对应。一共有7128个，这里指训练集测试集验证集中，所有出现过的实体。 初始化实体嵌入与关系嵌入： ent...
Rescal 和 Distmult，知识图谱嵌入（KGE）论文阅读
Ax的博客
02-19 7363
Rescal 模型 主要思想：三维张量分解 张量是多维数组，其中零阶张量是标量（scalar），一阶张量是一个向量（vector），二阶的张量是矩阵（matrix），三阶及三阶以上的就是我们通常所说的张量，也叫高阶张量。数据的的维度被称为张量的阶。它可以看成是向量和矩阵在多维空间中的推广。如下图定义一个的三维张量，m 代表关系数，n 代表实体数 每个关系对应于 张量（三维） 中的一个 切片（二维），即一个矩阵，其实相当于表示图的邻接矩阵，存储各对实体是否有这样的关系 ...
知识图谱推理算法综述（下）：基于语义的匹配模型
人工智能曾小健
03-27 803
本章将对常用的图谱推理算法做一个概括的梳理。业界算法很多，一篇文章难以做到全面覆盖，因此我们这里挑选了与图谱推理强相关的算法进行讲解，部分类似的算法挑选了其典型代表进行讨论，算法能力范围尽量覆盖：知识融合，包括：实体对齐、属性融合、关系发掘、相似性属性补全；知识推理，包括：链接预测、属性值预测、事件分析、连通性分析、相似性分析。
DistMult模型介绍
qq_44256269的博客
05-06 1389
Distmult模型。
知识图谱补全技术——DistMult篇
最新发布
weixin_47482014的博客
05-21 1036
在自然语言处理和机器学习领域，知识图谱是一种至关重要的数据结构。知识图谱通过节点表示实体，边表示实体之间的关系，构建了一个复杂的网络结构。在知识图谱中，如何高效地表示实体和关系是一个关键问题。为了解决这个问题，知识图谱补全技术应运而生。它通过预测和填补知识图谱中的缺失三元组，增强了数据的完整性和实用性。知识图谱补全技术利用嵌入模型和图神经网络等先进的机器学习方法，广泛应用于搜索引擎、推荐系统和智能问答系统等领域，从而显著提升了这些系统的性能和用户体验。
论文阅读 DistMult
qq_41669355的博客
11-27 2486
EMBEDDINGENTITIES ANDRELATIONS FORLEARNING ANDINFERENCE INKNOWLEDGEBASES 在知识库中嵌入学习和推理的实体和关系 发表于 conference paper at ICLR 2015 摘要：我们使用神经嵌入方法来考虑KBs中实体和关系的学习表示。我们表明，大多数现有模型，包括NTN 和TransE ，可以在统一的学习框架下推广，其中实体是从神经网络学习到的低维向量，关系是双线性和（或）线性映射函数。在此框架下，我们比较了各种嵌入模型对链接
细粒度论文笔记：双线性模型 《Bilinear CNN Models for Fine-Grained Visual Recognition》
热门推荐
小星星专栏
12-19 1万+
双线性模型是2015年提出的一种细粒度图像分类模型。该模型使用的是两个并列的CNN模型，这种CNN模型使用的是AlexNet或VGGNet去掉最后的全连接层和softmax层，这个作为特征提取器，然后使用SVM作为最后的线性分类器。当然，作者还在实验中尝试了多种方法，比如最后使用softmax但类别有所减少的分类器，作者在特征提取器上也有三种尝试，分别是使用两个AlexNet，使用一个AlexNe...
知识图谱的入门学习笔记
rrrimp的博客
01-29 2336
知识图谱的入门学习笔记1.知识图谱与知识表示学习1.1 知识图谱1.2 知识表示学习2 知识表示学习的典型模型及训练2.1 TransE模型2.2 TransR模型2.3 RESCAL模型2.4 DisMult模型2.5 优化策略‘3 DGL-KE大规模知识表示学习框架3.1 DGL-KE简介及特性 视频地址：https://www.bilibili.com/video/BV1dy4y1m7C4?t=5437 学习笔记： 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
论文阅读 RESCAL
qq_41669355的博客
11-27 2978
Factorizing YAGO Scalable Machine Learning for Linked Data 关联数据的可扩展机器学习分解 发表于 WWW 2012 – Session: Creating and Using Links between Data Objects 摘要：语义Web的链接开放数据(LOD)云中已经发布了大量的结构化信息，而且它们的规模仍在快速增长。然而，由于LOD的大小、部分数据不一致和固有的噪声，很难通过推理和查询访问这些信息。本文提出了一种高效的LOD数据关系学习方
RESCAL 论文笔记
Jay98的博客
03-12 2129
A Three-Way Model for Collective Learning on Multi-Relational Data
KGE-HAKE:The code of paper Learning Hierarchy-Aware Knowledge Graph Embeddings for Link Prediction. Zhanqiu Zhang, Jianyu Cai, Yongdong Zhang, Jie Wang. AAAI 2020
05-15
HAKE：层次结构感知知识图嵌入这是用于链接预测的书面学习层次感知知识图嵌入的代码。 张占秋，蔡建宇，张永东，王杰。 依存关系Python 3.6+ 1.0+结果在WN18RR ， FB15k-237和YAGO3-10上的HAKE和基线模型ModE的结果...
一刀切matlab代码-multdist:Matlab代码，用于测试两个多维分布之间的差异（2-dKS测试，nd能量测试，HotellingT
05-26
一刀切matlab代码多元主义者 注意：此存储库中的功能已合并到，用于多维统计的更全面的Matlab功能集。 Matlab代码，用于非参数测试两个多维样本是否来自同一父分布。 第一个函数将Fasano和Franceschini的泛化[1]推广到Kolmorogov-Smirnov检验的两个维度（ kstest2d.m ），第二个函数基于对统计能量的比喻[2]来实现Aslan＆Zech和Szekely＆Rizzo的检验。当两个样本是从相同的父分布（ minentest.m ）提取时，最小化。 在这两种情况下，统计信息的分析分布都是未知的，并且近似值用于统计检验。 对于KS测试，我使用了Press等人的近似方法。 [3]。 对于能量测试，通过汇总样本的排列获得p值。 KS测试当前仅适用于二维数据，但是最小能量测试可以接受n维输入（尽管重要性测试可能会变得非常昂贵）。 这两个函数都是作为两个样本的测试编写的，尽管如果可以从分布中取样以对数据进行测试感兴趣，则可以修改最小能量测试以测试拟合优度，这很简单（在参考文献[2]中有详细说明） 。 Fasano，G，Franceschini，A（198
双线性池化（Bilinear pooling）tensorflow版
08-23
双线性池化（Bilinear pooling）tensorflow版，可以用于细粒度分类
scikit-kge, 计算知识图嵌入的python 库.zip
10-10
scikit-kge, 计算知识图嵌入的python 库 基于的知识图scikit kge是一个计算知识图嵌入的python 库。...为了计算一个知识图嵌入，首先实例化一个模型，然后对它的进行训练。 例如使用logistcc损失函数训练知识图
KGE:关于知识图嵌入（KGE）的一些论文
05-13
凯格关于知识图嵌入（KGE）的一些论文感谢您的关注和客气话！ 我们将在以后更新KGE。 欢迎通过电子邮件加入我们的小型WeChat小组，以学习和谈论KGE。内容图书馆LibKGEOpenKEPyKEENPykg2vecGraphViteScikit-...
kge:LibKGE - 用于可重复研究的知识图嵌入库
08-04
LibKGE 的主要目标是促进对KGE 模型和训练方法的可重复研究（以及之间有意义的比较）。 正如我们在（请参见）中所述，训练策略和超参数的选择对模型性能的影响非常大，通常比模型类本身影响更大。 LibKGE 旨在提供...
pykg2vec:用于知识图嵌入和表示学习的Python库
05-14
Pykg2vec是一个库，用于学习在PyTorch 1.5之上构建的知识图中实体和关系的表示（TF2版本在分支中也可用）。 我们试图将最先进的知识图嵌入（KGE）算法和知识图嵌入任务流水线中的必要构造块引入一个库中。 对于希望...
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 1677
包括RESCAL、DistMult、HoLE、ComplEx、ANALOGY、SNE、NTN、MLP、NAM模型等；
双线性注意力网络模型《Bilinear Attention Networks》
xiashilin的博客
11-10 1万+
目录 一、文献摘要介绍 二、网络框架介绍 三、实验分析 四、结论 本文有点长，请耐心阅读，定会有收货。如有不足，欢迎交流，另附:论文下载地址 一、文献摘要介绍 Attention networks in multimodal learning provide an effificient way to utilize given visual information select...
知识图谱嵌入评价指标
11-30
KGE模型的性能评价指标通常包括MRR、HITS@1和HITS@10。其中，MRR是平均倒数排名，表示所有正确三元组的平均倒数排名，其计算公式为： $$MRR=\frac{1}{|\mathcal{T}|}\sum_{(h,r,t)\in\mathcal{T}}\frac{1}{rank_{(h,r,t)}}$$ 其中，$\mathcal{T}$表示测试集中的所有正确三元组，$rank_{(h,r,t)}$表示正确三元组$(h,r,t)$在模型预测结果中的排名。MRR的取值范围为$[0,1]$，其值越大表示模型性能越好。 另外，HITS@k是命中率指标，表示模型预测结果中前$k$个三元组中包含正确三元组的比例，其计算公式为： $$HITS@k=\frac{1}{|\mathcal{T}|}\sum_{(h,r,t)\in\mathcal{T}}indicator(rank_{(h,r,t)}\leq k)$$ 其中，$\mathcal{T}$表示测试集中的所有正确三元组，$indicator$函数表示条件成立时函数值为1，否则为0。HITS@1和HITS@10分别表示命中率指标中$k=1$和$k=10$的情况。HITS@k的取值范围为$[0,1]$，其值越大表示模型性能越好。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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