目录
一、研究背景
TransE之后又诞生了TransD、TransH、TransR等模型,但这些模型的基本思想是相同的,即利用head向量和relation向量的和来预测tail向量。向量的和就是信息的积累。但实体和关系可能比这更复杂。寻找一种更有效的方法来表达知识可能是一个具有挑战性的研究课题。
二、TransC的提出
《Differentiating Concepts and Instances for Knowledge Graph Embedding》(2018)提出了一种新的区分概念和实例的知识图谱表示学习方法,将上下位关系与普通的关系做了区分,可以很好的解决上下位关系的传递性问题,并且能够表示概念在空间中的层次与包含关系。