知识图谱-KGE-模型（一）：翻译距离模型【TransH、TransR、TransD、TranSparse、TransM、MianfoldE、TransF、KG2E、TransG、UM、SE】

已于 2024-02-14 22:37:05 修改
阅读量1.1k 收藏
点赞数
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 14:18:13 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/128017708
版权
本文深入探讨了知识图谱中的翻译距离模型，包括TransH、TransR、TransD等多个经典模型，旨在为初学者提供全面的入门指南。
摘要由CSDN通过智能技术生成
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 1788
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。
A.特定领域知识图谱知识推理方案：知识图谱推理算法综述[一]（基于距离的翻译模型:TransE、TransH、TransR、TransH、TransA、RotatE）
丨汀、的博客
03-10 648
transH、transD、transR这三个算法在几何变换上是等效的，就是对向量h和t在空间上做了一个变换（包括角度变换和长度伸缩两个操作），不同的关系r对应的变换矩阵不同，还有参数数量不同。我们的实验从效果上来看，往往都是 transH>transD>transR。为什么效果会有区别？这是因为参数数量不同。transH的参数只有一个法向量wr，transR的参数是一个变换矩阵Mr，transD是对transR约化，参数简化为三个向量wr、wh、wt。从参数数量角度transH
KGE模型
02-16
KGE模型
trans系列平移距离模型
weixin_47997663的博客
09-07 1311
平移距离模型trans
知识图谱嵌入的Translate模型汇总（TransE，TransH，TransR，TransD
朝闻道
02-22 3033
一文打尽图嵌入Translate模型，各种模型的动机，优缺点分析。 本文对知识图谱嵌入/知识表示的转换模型进行了简要的总结。你可以从TensorFlow-TransX中找到开源的TensorFlow代码。 知识表示的一些背景知识 通常，我们使用三元组(head, relation, tail)来表示知识。在这里，头和尾是实体。例如，(sky tree, location, Tokyo)。我们可以用独热向量来表示这个知识。但实体和关系太多，维度太大。当两个实体或关系很近时，独热向量无法捕捉相似度。受
简单实现几篇知识图谱嵌入(Knowledge Graph Embedding，KGE)模型
xhsun的博客
11-07 9548
两个问题 KGE可以用来做什么？ KGE的诸多方法？ 下面来聊聊上面提出的两个问题 KGE可以用来做什么？ 知识图谱KG，特别是开放域知识图谱，一定是不完整的，因为不可能穷举所有实体，而实体之间的各种关系也不可能都一一存在。 连接预测(link prediction)任务，也叫知识图谱补全。就是利用当前KG中的实体和关系去推理出新的实体或者关系。 比如给定(h,r,?)，其中h是头实体，r是关系，我们想知道尾实体是什么。或者给定(h,?,t)，想知道r是什么。这就是连接预测任务，目的是补全知识图谱。 有
知识图谱-KGE-对抗模型-2018：KBGAN
u013250861的博客
11-24 815
将生成对抗的思想引入到 KGE，本文的具体做法是对每个 KGE 任务，使用两个模型，一个模型（双线性模型如 DistMult 或 ComplEx）用作生成器，生成高质量的负样本，另一个模型（TransE 或 TransD）做判别器，用正样本和生成器给出的负样本训练 embedding。普通的负采样方法，对正样本三元组的头实体或尾实体从实体集中随机采样替换，生成的负样本是很明显的错误样本，很容易通过实体的类型区分开来，比较“高级”的负样本是尽量“替换同类型实体”的负样本三元组。生成器和判别器都需要预训练。
知识图谱-KGE-语义匹配-双线性模型-2019：RotatE
u013250861的博客
12-07 756
【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-2018：SimplE
u013250861的博客
12-07 688
【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-2017：Analogy【DistMult与ComplEx的合体】
u013250861的博客
12-07 1072
【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
知识图谱嵌入KGE 之 高斯嵌入模型
Norstc的博客
09-23 1387
作者：AI科技评论 链接：https://zhuanlan.zhihu.com/p/80149671 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 KG2E模型。He等人认为，知识库中的关系和实体的语义本身具有不确定性，而过去模型中都忽略这个因素。因此，He等人提出KG2E，使用高斯分布来表示实体和关系。其中高斯分布的均值表示的是实体或关系在语义空间中的中心位置，而高斯分布的协方差则表示该实体或关系的不确定度。 图3为KG2E模型示例，每个圆圈代表不同实体与关系的.
知识图谱嵌入(KGE)：方法和应用的综述
weixin_35977125的博客
12-31 911
https://blog.csdn.net/cf2SudS8x8F0v/article/details/100135669 主要介绍了最近关于知识图谱嵌入所涉及到的研究方法，NLP发展至今，基于Pretraind的Embedding也已无法满足需求，单纯基于知识图谱的方式也具有局限性，如何将二者结合起来并落地进行应用显得格外重要，Makedowned. ...
【自然语言处理】【知识图谱】知识图谱表示学习(一)：TransE、TransH、TransR、CTransR、TransD
bqw的博客
01-03 6253
知识图谱表示学习(一) TransE,TransH,TransR,CTransR,TransD 一、简介 知识图谱及挑战 知识图谱以三元组的方式来描绘整个世界，大型知识图谱Freebase、DBpedia和YAGO等已经在各种应用程序中被广泛使用。但是，随着知识图谱规模的增加，面临着两个挑战： 数据稀疏 大型网络中节点太多而边太少。 计算低效 图谱尺寸增加，计算效率必然降低。 解决方案 为了解决上面的挑战，表示学习被引入至知识表示中。具体来说，就是将知识图谱中的实体和关系投影至低维连续空
PaperReading-KG2E 《Learning to Represent Knowledge Graphs with Gaussian Embedding》
赵亮的CSDN博客
06-20 2487
本文时 KG2E，《Learning to represent knowledge graphs with gaussian embedding》的论文阅读笔记，如果有做相关工作的同学可以与我联系 zhaoliang19960421@outlook.com 背景 之前的TransX系列的论文都是在欧式空间中对实体和关系进行表征，然后利用基于空间中点相似度的计算方法来计算势能（通过关系翻译的头实体和真实尾实体之间的差距） 在论文中提出了之前的Trans系列论文没有关注到的点，在本文中称之为实体/关系的准确性
知识图谱 ——距离变换模型
qq_39753433的博客
12-22 1480
TransE、TransH、TransR、TransD模型介绍
【自然语言处理】 知识融入方法
qq_36643449的博客
04-08 2038
本文参考并引用了知识图谱嵌入(KGE)：方法和应用的综述 知识图是由实体和实体间的关系构成的图，图中的节点代表实体，边代表实体间的关系。一个fact由(头实体、关系、尾实体)三元组构成，表示头实体和尾实体通过这一特定的关系连接在一起。虽然这种表示方式在结构化数据方面很有效，但是却使得知识图难以操作。 有很多知识图谱嵌入的方法解决了这一问题，知识图谱嵌入的思想是嵌入知识图的组件，既能将实体和实体之间...
知识图谱构建技术综述-2.3知识推理-学习笔记
崔洪振367
11-08 2308
文章信息：文章末尾 目录 2.3 节 知识推理 2.3.1 基于规则的推理 2.3.2 基于分布式特征表示推理 （1）基于翻译模型的知识推理 （2）基于张量分解的知识推理 （3）基于语义匹配模型的知识推理 2.3.3 基于深度学习的推理 2.3 节 知识推理 知识推理：根据已有的实体关系来推断出新的事实结论。 知识推理研究分析分为3种： 2.3.1 基于规则的推理 包含：谓词逻辑推理、本体推理和随机推理。 【63】等提出一阶归纳学习就是谓词逻辑推理，可以自动提取高质量的事实并去噪
​知识图谱：基于嵌入的模型（TransE 、TransH、TransR和TransD）
最新发布
sinat_41942180的博客
03-12 2880
论文提出了一种新的学习知识图谱在低维向量空间的嵌入（embedding）的方法——TransH，在克服了TransE的种种局限性（自反映射/一对多/多对一/多对多）的同时，继承了TransE的高效性。经过广泛的实验后，实验表明TransH的效果相较TransE有了很可观的提升，同时论文提出的减少错误负采样标签的Trick也被证明是有效的。但同时本论文同样存在自己的局限性，虽然TransH模型克服了TransE的部分局限性，
NLP精选10个实现项目推荐-涉及预训练、知识图谱、智能问答、机器翻译、对话等...
weixin_36896856的博客
10-25 3367
自然语言处理技术近几年发展非常快，像BERT、GPT-3、图神经网络、知识图谱等技术被大量应用于项目实践中。今年大厂的NLP面试中对项目方面的考察深度也随之提升了很多，经常会被面试官揪着细...
掌握KGE模型：深入了解知识图谱表示学习
KGE模型，即知识图谱嵌入模型（Knowledge Graph Embedding models），是近年来知识图谱领域研究的一个重要方向。知识图谱是一种大规模的知识库，它以图的形式表示实体之间的关系，广泛应用于搜索引擎、推荐系统、...
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
>