TransX算法详解【代码学习系列】【知识图谱】【表示学习】

最新推荐文章于 2022-08-16 18:01:35 发布

三人行必有我师HJHY

最新推荐文章于 2022-08-16 18:01:35 发布

阅读量4.2k

点赞数 4

分类专栏：表示学习知识图谱文章标签：知识图谱表示学习

本文链接：https://blog.csdn.net/weixin_44023339/article/details/100103648

版权

这篇博客详细介绍了基于TensorFlow实现的TransE、TransH、TransR和TransD算法，通过代码学习和分析，探讨了这些知识图谱表示学习算法的差异，尤其是如何解决1-N、N-1、N-N问题。

摘要由CSDN通过智能技术生成

研究完TransE之后，继续研究了一下TransH、TransR、TransD算法，想搜搜相关代码比较一下，但搜索后发现，没有直接实现的python代码，大部分是基于TensorFlow，或者是C语言的。本来想着算了，后来想想还是写一篇关于TensorFlow，简单比较一下，记录一下自己的学习过程。

1 代码来源

本代码来源于github项目地址，项目基于TensorFlow框架，实现了TransE、TransH、TransR、TransD算法。TransE、TransH、TransR、TransD主要在距离计算上存在差异，其他基本相同。

2 TransE算法

TransE算法直接把首尾实体和关系用向量表示，通过三元关系的约束实现向量的优化，但是它并不能处理1-N，N-1, N-N的问题。因为如何H、R相同，那么按照TransE算法，T基本上是相同或相差不大的，这应会导致1-N中的N是近似，虽然实际上他们没什么关系。

// TransE算法
#实体对应的表示矩阵n*k,n表示实体个数，k为表示向量的维度，也是模型需要优化的参数
self.ent_embeddings = tf.compat.v1.get_variable(name="ent_embedding", shape=[self.entity_total, self.hidden_size],
                                                  initializer=tf.contrib.layers.xavier_initializer(uniform=False))
#关系对应的表示矩阵m*k,m表示关系个数，k为表示向量的维度，也是模型需要优化的参数                                                
self.rel_embeddings = tf.compat.v1.get_variable(name="rel_embedding", shape=[self.relation_total, self.hidden_size],
                                                  initializer=tf.contrib.layers.xavier_initializer(uniform=False))

self.pos_h = tf.compat.v1.placeholder(tf.int32, [None])  #训练或预测输入，正样本H实体对应的ID
self.pos_t = tf.compat.v1.placeholder(tf.int32, [None])  #训练或预测输入，正样本T实体对应的ID
self.pos_r = tf.compat.v1.placeholder(tf.int32, [None])  #训练或预测输入，正样本R关系对应的ID
self.neg_h = tf.compat.v1.placeholder(tf.int32, [None])  #训练或预测输入，负样本H实体对应的ID
self.neg_t = tf.compat.v1.placeholder(tf.int32, [None])  #训练或预测输入，负样本T实体对应的ID
self.neg_r = tf.compat.v1.placeholder(tf.int32, [None])  #训练或预测输入，负样本R关系对应的ID
#根据ID，获取正负样本（h,t,r）对应的表示向量
pos_h_e = tf.nn.embedding_lookup(self.ent_embeddings, self.pos_h)   
pos_t_e = tf.nn.embedding_lookup(self.ent_embeddings, self.pos_t)
pos_r_e = tf.nn.embedding_lookup(self.rel_embeddings, self.pos_r)
neg_h_e = tf.nn.embedding_lookup(self.ent_embeddings, self.neg_h)
neg_t_e = tf.nn.embedding_lookup(self.ent_embeddings, self.neg_t)
neg_r_e = tf.nn.embedding_lookup(self.rel_embeddings, self.neg_r)
#计算样本的三元距离	        
if self.L1_flag: #如果L1范数
	pos = tf.reduce_sum(abs(pos_h_e + pos_r_e - pos_t_e), 1, keepdims=True)
	neg = tf.reduce_sum(abs(neg_h_e + neg_r_e - neg_t_e), 1, keepdims=True)
	self.predict = pos
else:  #如果L2范数
	pos = tf.reduce_sum((pos_h_e + pos_r_e - pos_t_e) ** 2, 1, keepdims=True)
	neg = tf.reduce_sum((neg_h_e + neg_r_e - neg_t_e) ** 2, 1, keepdims

最低0.47元/天解锁文章