TransE模型学习笔记

目录

一、知识表示学习的引入

二、论文摘要

三、方法介绍

（一）建模多关系数据

（二）关系嵌入到向量空间中的翻译

四、TransE模型

（一）学习实体和关系的低维嵌入向量

（二）基于“能量”的计算方法

五、算法流程

（一）算法流程图 

（二）算法伪代码

六、实验

（一）数据集

1. Freebase数据集格式

2. TranE训练数据集格式

 （二）算法实现细节

1. 输入输出

2. L2范式归一化

3. 使用deepcopy函数更新向量

4. 模型参数更新

5. 训练并更新向量的细节

6. 测试环节，将测试集分为Raw及Filter两种情况

7. loss函数的理解

（四）实验设置

1. 评估指标

2. 测试方式

3. 参数设置

4. 构建负样本

（五）链接预测

（六）详细结果

（七）学习预测新关系

七、结论

参考文档

---

今天分享的是NIPS 2013的一篇经典论文《Translating Embeddings for Modeling Multi-relational Data》

原文连接：https://proceedings.neurips.cc/paper/2013/file/1cecc7a77928ca8133fa24680a88d2f9-Paper.pdf

前言：知识图谱又称为科学知识图谱，在图书情报界称为知识域可视化，或知识领域映射地图，用来显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及载体，挖掘、分析、构建、绘制和显示知识及他们互相之间的关系。

知识图谱的基础结构是（头实体h,关系r,尾实体t）构成。例如（中国，首都，北京），其中 中国 和 北京 是实体，首都 对应关系。