【论文代码复现】Translating Embeddings for Modeling Multi-relational Data中TransE代码实现+遇到的错误

最新推荐文章于 2024-03-12 14:29:15 发布
最新推荐文章于 2024-03-12 14:29:15 发布
阅读量1.2k 收藏 22
点赞数 5
分类专栏： 论文研读 文章标签： python transE pytorch
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/weixin_42198265/article/details/124256134
版权

文章目录

本文创建初心：想为看Translating Embeddings for Modeling Multi-relational Data这篇文章的人提供一个完整的资源与遇到的情况的一个汇总

【注】
本文的代码来源于GitHub上面一位优秀的博主，所有的相关链接都会展现出来。
本文的运行环境是VScode，因为pychram被我搞坏了，短时间不想下载，所以采用VScode进行学习（题外话：VScode真香）

1、相关链接

论文出处：论文原文链接
pdf链接：pdf直接下载
论文解析（之前写过的一篇解析博客）：Translating Embeddings for Modeling Multi-relational Data
代码出处：transE - 大佬的Github

2、代码报错汇总

直接把上面Github的代码载入VScode中，先运行transE_pytorch.py文件。

2.1、报错：AssertionError: Torch not compiled with CUDA enabled

图1：报错显示

相关解决链接：其他博主文章

转载：

此错误是由于下载的torch没有cuda,在运行时就会出错，经过查阅，在程序最开始的地方加上：device = torch.device(“cuda” if torch.cuda.is_available() else “cpu”)
代码其余地方出现.cuda()的地方改成.to(device)就可以在无gpu的环境中运行了。

这个修改的时候VScode非常爽，可以一口气全部修改：
鼠标选中要修改的位置→右键→更改所有匹配项
在这里插入图片描述

2.2、TransE部分报错（憨憨报错）

上面那个问题改正以后，还是报错，而且错误报错的位置是TransE那一块，所以我发现，我的transE代码并没有运行，所以说先运行transE代码
图1：多少的

2.3、文件找不到

修改前：
在这里插入图片描述
修改后：
在这里插入图片描述

3、运行结果截图

transE_pytorch.py：
在这里插入图片描述

4、完整代码+注释

这一部分等我把代码全部跑完了在发上来，暂时空缺

Bessie_Lee_gogogo
关注
专栏目录
知识图谱表示学习 TransE: Translating Embeddings for Modeling Multi-relational Data
Pengwill's Blog
06-24 2085
知识图谱表示学习 TransE: Translating Embeddings for Modeling Multi-relational Data 表示学习是深度学习的基础，将数据用更有效的方式表达出来，才能让深度学习发挥出更强大的作用。表示学习避免了手动提取数据特征的繁琐，允许计算机学习特征的同时，也学习如何提取特征。尽管举例基于翻译（translation）的知识图谱表示学习已经过去了五六年的时间，但是仍不可忽略其重要意义。本文聚焦于TransE模型。 1. 引言 多元关系数据（Multi-relat
【TransE】论文浅读：translating-embeddings-for-modeling-multi-relational-data
没有胡子的猫Asimov
10-20 1270
TransE 《Translating Embeddings for Modeling Multi-relational Data》 任务 在低维向量空间中，将多种关系的图谱中的实体和关系在一个低维空间中进行表示，获得每个实体的表征结果。 提出一种易于训练的规范模型，该模型包含数量较少的参数，并且可以扩展到非常大的知识库。 对知识图谱中的多元关系数据进行建模，在不引入额外知识的情况下，高效的实现知识补全，关系预测。 方法（模型） TransE：基于能量的模型，用于学习实体的低维嵌入。 关系作为
OpenKE 的使用（一）— TransE 论文复现
Ax的博客
03-03 4720
OpenKE 的使用（一）—TransE论文复现
Translating Embeddings for Modeling Multi-relational Data 笔记（基于Translation提出了TransE）
test
03-14 1697
更多图神经网络和深度学习内容请移步： 论文：Translating Embeddings for Modeling Multi-relational Data 论文链接：https://proceedings.neurips.cc/paper/2013/file/1cecc7a77928ca8133fa24680a88d2f9-Paper.pdf 摘要 We consider the problem of embedding entities and relationships of multi-rela
【论文研读】 Translating Embeddings for Modeling Multi-relational Data论文理解
Bessie_Lee
04-03 2461
文章目录embedding知识图谱 embedding 首先，我们得知道什么是embedding？他有什么优点？他为什么要被开发出来？传统的one-hot编码不可以吗？接下来让我们一一进行解决 1、什么是embedding？ ① 维基百科的官方回答： ② 自己的理解： （这个结合了一下一篇大佬的博客思路进行理解的） 首先，embedding在pytorch或者tf中会被经常使用，m代表的是单词的数目，n代表的是词语嵌入的维度。其次，词嵌入（word embedding）是一个大矩阵，一行代表的是一个单词。
论文翻译解读：Translating Embeddings for Modeling Multi-relational Data【TransE】
weixin_43923463的博客
07-15 737
我们考虑在低维向量空间中嵌入多关系数据的实体和关系的问题。我们的目标是提出一个权威模型，该模型易于训练，包含较少的参数，并且可以扩展到非常大的数据库。因此，我们提出了TransE，一种通过将关系解释为对实体的低维嵌入操作的平移来建模关系的方法。尽管简单，但这个假设被证明是强大的，因为大量的实验表明，TransE在两个知识库上的链接预测方面明显优于最先进的方法。此外，它可以成功地在拥有1M实体、25k关系和17M以上训练样本的大规模数据集上训练。https。...
论文阅读：（TransE）Translating Embeddings for Modeling Multi-relational Data多关系数据转换嵌入建模
qq_38667212的博客
01-21 1145
目前研究方向为知识图谱补全，知识图谱补全现有五种常用的方法，分别为：基于知识表示的方法、基于路径查找的方法、基于推理规则的方法、基于强化学习的方法以及基于元学习的方法。寒假的任务是通过多阅读该领域经典论文，开拓思路，找到今后课题的研究方向。本节为阅读知识表示的经典算法——TransE
【代码实现】Translating Embeddings for Modeling Multi-relational Data
没有胡子的猫Asimov
07-18 362
TransE 《Translating Embeddings for Modeling Multi-relational Data》 任务 在低维向量空间中，将多种关系的图谱中的实体和关系在一个低维空间中进行表示，获得每个实体的表征结果。 提出一种易于训练的规范模型，该模型包含数量较少的参数，并且可以扩展到非常大的知识库。 对知识图谱中的多元关系数据进行建模，在不引入额外知识的情况下，高效的实现知识补全，关系预测。 方法（模型） TransE：基于能量的模型，用于学习实体的低维嵌入。 关系作为向
​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 2478
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，
TransE 论文笔记
Jay98的博客
03-03 1204
Translating Embeddings for Modeling Multi-relational Data
TransE算法代码实现.rar
12-14
TransE算法，C++代码实现
TranSE算法实现及测试
04-26
这是我自己的代码，主要用来存储，若能帮到其他人，我也很愿意。
TransE系列源码
12-29
TranE是一篇Bordes等人2013年发表在NIPS上的文章提出的算法。它的提出，是为了解决多关系数据（multi-relational data）的处理问题。我们现在有很多很多的知识库数据knowledge bases (KBs)，比如Freebase、 Google Knowledge Graph 、 GeneOntology等等。 TransE的直观含义，就是TransE基于实体和关系的分布式向量表示，将每个三元组实例（head，relation，tail）中的关系relation看做从实体head到实体tail的翻译（其实我一直很纳闷为什么叫做translating，其实就是向量相加），通过不断调整h、r和t（head、relation和tail的向量），使（h + r） 尽可能与 t 相等，即 h + r = t。 以前有很多种训练三元组的方法，但是参数过多，以至于模型过于复杂难以理解（作者表达的意思就是，我们的工作效果和你们一样，但我们的简单易扩展）。（ps：作者以前也做过类似的工作，叫做Structured Embeddings，简称SE，只是将实体转为向量，关系是一个矩阵，利用矩阵的不可逆性反映关系的不可逆性。距离表达公式是1-norm）。
论文解读：（TransE）Translating Embeddings for Modeling Multi-relational Data
热门推荐
夏栀的博客
11-29 1万+
论文解读：（TransE）Translating Embeddings for Modeling Multi-relational Data   表示学习是深度学习的基石，正式表示学习才能让深度学习可以自由的挖掘更深层次的特征。自word embedding（词嵌入表示）的提出，一种对结构化信息的三元组的表示学习也进入研究视野。TransE模型正是一种基于深度学习的知识表示方法，也是Trans系列...
TransE：Translating Embeddings for Modeling Multi-relational Data
Facico的博客
06-07 371
Translating Embeddings for Modeling Multi-relational Data 目的即知识图谱提取成向量 知识图谱三元组 一般形式（sub，rel，obj） 如：(Barack Obama, place of birth, Hawai)，这个关系就是Hawai是Barack Obama的place of birth 这只是三元组的一种形式，从属、包含、什么什么是什么等等关系都能变成三元组 类似词向量的构建，这里希望将KG（knowledge graph）中的
Translating Embedding for Modeling Multi-relational Data
BUPT-WT的博客
01-16 807
研究意义: 1、学到了实体(entity)和关系(relation)的embedding表示 2、模型简单而有效，容易训练 3、启发了整个Trans系列知识表示学习，代表性工作有transH，transR，transD 4、引用量较高 本文主要结构如下所示: 一、Abstract 提出基于一对多关系数据的建模，将实体和关系映射到低维空间 摘要主要说明以下几个主要的关键点: 1、使用低维向量表示三元组数据(知识图谱)的实...
论文阅读笔记（3）——Translating Embeddings for Modeling Multi-relational Data
strivequeen的博客
08-23 935
Abstract 我们考虑在低维向量空间中嵌入实体和多维数据关系的问题。目标是提出一种易于训练的规范模型，该模型包含数量减少的参数，并且可以扩展到非常大的数据库。因此提出了TransE，一种通过将关系解释为对实体的低维嵌入进行操作的翻译来建模关系的方法。尽管它很简单，但由于大量实验表明TransE在两个知识库的链接预测中明显优于最新方法，因此这种假设被证明是有效的。此外，它可以在具有1M 实体，25k关系和超过17M 训练样本的大规模数据集上成功进行训练。 1 Introduction 多重关系数据是指有向
《Translating Embeddings for Modeling Multi-relational Data》阅读笔记
yangOvOyang
04-16 1465
Abstract We propose TransE, embedding entities and relationships of multi-relational data in low-dimensional vector space. It significantly outperforms state-of-the-art methods in link prediction on ...
论文简读-TransE-《Translating Embeddings for Modeling Multi-relational Data》
qq_26623993的博客
06-08 634
TransE: Translating Embeddings for Modeling Multi-relational Data 1. introduction 本文研究的是将知识图谱中实体和关系嵌入(embedding)至低维向量空间的问题， 提出了名为TransE的实体与关系表示方法，该方法将实体与实体的关系看成是翻译操作。 2. Translation-based model 给出一个知识图谱中的三元组(h,r,t)(h, r, t)(h,r,t),其中h,t∈E,r∈Rh,t \in E, r \
如何基于TransE或类似模型进行推理？请提供技术细节 以及一些例子。
04-23
对于基于TransE或类似模型进行推理，通常可以采用以下步骤： 1. 构建知识图谱：将知识库中的实体和关系抽象成节点和边，构建一个图谱。 2. 训练TransE模型：使用知识图谱作为输入，训练TransE模型来学习实体之间的关系。 3. 进行推理：通过查找知识图谱中的实体和关系，进行推理。 其中，比较关键的是如何训练TransE模型。TransE模型的核心思想是将实体和关系映射到同一向量空间中，从而在向量空间中计算它们之间的相似度。在训练阶段，需要最小化实体和关系之间的距离，使得真实的三元组距离近，而虚假的三元组距离远。相似度可以使用余弦相似度或点积等函数计算，具体实现可参考论文《TransE: Translating Embeddings for Modeling Multi-relational Data》。 下面给出一个简单的例子：假设有一个知识库包含以下三元组： （Tom, hasChild, Harry） （Tom, hasChild, Lily） （Lily, sibling, Harry） 使用TransE模型，我们可以将Tom、Harry和Lily分别映射到向量空间中的三个向量，然后通过计算向量之间的距离，来推理Tom是否是Harry的父亲。具体过程如下： 1. 将实体和关系映射到向量空间中： Tom -> (0, 0) Harry -> (2, 0) Lily -> (1, 1) hasChild -> (1, 0) sibling -> (0, 1) 2. 通过向量之间的距离计算相似度： sim(Tom, hasChild, Harry) = cos((0+1-2)/3) ≈ -0.63 sim(Tom, hasChild, Lily) = cos((0+1-1)/3) ≈ 0.33 sim(Tom, sibling, Harry) = cos((0-1-2)/3) ≈ -0.94 由此可见，Tom与Harry之间的相似度较低，因此不能推断Tom是Harry的父亲。而Tom与Lily之间的相似度较高，说明Tom是Lily的父亲。
评论 19
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

打赏作者

Bessie_Lee_gogogo

你的鼓励是我最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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