目录
一、summary
解决TransE在处理Reflexive, 1-N, N-1, N-N 关系上的问题,将实体投影在基于关系得超平面上,在该超平面上进行翻译操作,另外还提出了一种减少出现假负例概率的方法。
二、method
TransE在表达上述关系时会导致头尾实体重合,因此TransH引入超平面,使得同一个节点在不同关系超平面的向量表示不尽相同。
h和t分别代表头结点和尾节点的向量,而关系超平面由平面的法向量以及平面上的平移向量
表示。
先将h,t投影到超平面上,为单位法向量。
loss function
转化为
除此之外,现实中的知识图谱不完整,随机抽样很大概率出现假负例样,因此作者提出了一种减少假负例样本出现的方法。基于关系的属性,对替换头尾实体赋以不同的概率,如关系是一对多的,倾向于替换头实体,如关系是多对一的,倾向于替换尾实体,具体为:对关系r,每个头实体对应的平均尾实体数为tph,每个尾实体对应的平均头实体数为hpt,依概率替换头实体。
三、experiment
Link predition
Triplets Classification
总结
TransH克服了TransE面向反向、一对多、多对一和多对多关系的缺点同时继承了其高效性。本文提出的减少假阴性标签的方法也被证明是有效的