知识图谱与深度学习_biji

该博客探讨了知识图谱的表示学习方法,包括TransR、CTransR、PTransE等,并介绍了如何融合实体描述信息和层次类型信息。同时,讨论了知识的自动获取,特别是关系抽取,提出了基于注意力机制的解决方案,如选择性注意力和关系层次注意力机制,以及多语言关系抽取的方法。此外,还提到了实体分类和实体对齐中知识图谱的应用。
摘要由CSDN通过智能技术生成

深度学习是分布式表示,知识图谱是符号表示

知识图谱表示学习

  1. 基于复杂关系建模TransR、CTransR
    TransE f r ( h , t ) = ∣ ∣ h + r − t ∣ ∣ f_r(h,t)=||h+r-t|| fr(h,t)=h+rt
    TransR在TransE的基础上增加了先将实体从实体空间映射到关系r所在的关系空间中,得到 h r h_r hr t r t_r tr
    h r = M r h , t r = M r t h_r=M_rh, t_r=M_rt hr=Mrh,t

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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