知识图谱课程学习-2-4知识图谱的向量表示方法

从词的向量表示讲起：

    One-hot Encoding：

        每个词的大小就是词典的大小。缺点：空间消耗比较大。

   

    Bag-of-words：

        文档向量表示，词出现的次数作为数值，词典大小为文档的大小。缺点：无法表示词的语义。

词的分布式向量表示：

    词的语义是由什么决定？

        词是符号化的，词的语义由它被使用的上下文确定。

Word Embedding（词嵌入）：

    通过统计词上下文语义规律，并通过词的上下文计算词的分布式规律。

    每一个维度都是有数值的，维度远远低于词库大小，通过语料统计学习出来的。称为低维稠密的向量表示，也叫词的嵌入表示。

词向量学习模型举例：

    CBow：wordtoword的模型，前几个词和后几个词预测中间的词。

    Skip-gram：中间词预测前后的几个词。

One-hot Encoding：任意两两之间相似度为0

词嵌入->知识图谱嵌入：

知识图谱嵌入模型-TransE：

    给定一个三元组，h代表主语，r代表谓语，t宾语。

    h+r=t

知识图谱嵌入模型-DistMult：

    h*Mr=t

知识图谱嵌入模型：推理问题

    测试三元组（h，r，t）：尾实体预测（h，r，？）or 头实体预测（？，r，t）