邱邱的博客

原创 bug日记

出现了上图的错误.原因:未能配置数据源：未指定“url”属性，无法配置嵌入的数据源。无法确定合适的驱动程序类解决方法：在yml中配置数据源。

原创 合同解析-文件内容读出

合同解析可以将pdf，word文件内容写入数据库，便于后期进行关键词搜索和统计。

翻译 RE-GCN

知识图谱推理在不完整知识图中预测缺失的事实已经被广泛研究。但是，预测未来事实的时序知识图谱 (TKG)的推理还远远没有解决。预测未来事实的关键是彻底了解历史事实。一个TKG实际上是一个对应于不同时间戳的KGs序列，每个KG中的所有并发事实表现出结构上的依赖性，而时间上相邻的事实携带有顺序信息。为了有效地获取这些属性，提出了一种新的基于图卷积网络(GCN)的递归进化网络，称为RE-GCN，它通过对KG序列进行递归建模来学习实体和关系在每个时间戳的进化表示。

翻译 xERTE

建模时间演进的知识图(KGs)最近引起了越来越多的兴趣。在此，图表示学习已经成为tkg链接预测的主导范式，然而，基于嵌入的方法在很大程度上是一种黑箱方式，缺乏解释其预测的能力。本文提出了一种对TKGs查询相关子图进行推理的链接预测框架，并对结构相关性和时序动态性进行联合建模。提出了一种时间关系注意机制和一种新的反向表示更新方案来指导查询周围的封闭子图的提取。该子图通过时间近邻的迭代采样和注意力传播进行扩展。本文方法提供了人类可以理解的证据来解释预测。在四个基准时间知识图上评估模型，用于链接预测任务。

翻译 DySAT

摘要学习图中的节点表示对于连接预测，节点分类和社区检测等许多应用都很重要。而现有的图表示方法大多针对静态图，在时序图中有挑战性。本文提出动态自注意网络(DySAT),学习节点表示来捕获动态图结构演化。DySAT通过沿着结构邻域和动态时间两个维度的联合自注意来计算节点表示。在通信网络和二部分级网络上进行链路预测实验，证明了本文方法的优越性。介绍学习图中节点的潜在表示的目标是学习捕获节点及其邻域的结构属性的低维向量。现有的图表示学习工作主要针对静态图，但是，真实世界的图是动态的，他们通常表示为不同时间步

翻译 TeMP：时间信息传递的时序知识图谱完成

文章地址:TeMP: Temporal Message Passing for Temporal Knowledge Graph Completion摘要TKGC以前通过增加静态知识图谱的方法来利用依赖时间的表示来解决这个问题。存在的问题是，没有明确利用最近时间步骤中的多跳结构信息和时间事实来增强他的预测，此外，也没有明确指出实体分布的时间稀疏性和可变性。...

原创 机器学习笔记

目录机器学习定义监督学习机器学习定义计算机程序从经验E中学习，解决某一问题T，进行某一性能度量P，通过P测定在T上的表现因经验E而提高。监督学习回归问题（预测值连续）分类问题（预测值离散）...

翻译 RE-NET

之前的研究集中在预测观察到的时间戳中的事实或使用时间点过程估计观测未来事件的条件概率。我们需要一种方法，可以随着时间顺序地推断图结构，并且可以在时间建模期间合并局部结构信息。于是提出RE-NET。RE-NET的关键思想基于以下观察：1.预测未来事件可以被视为实体之间多关系交互作用的连续推理：2.时间上相邻的事件可能携带相关的语义和信息模式，这可以进一步帮助告知未来的事件：3.多个事件可能在同一时间窗口内发生，并且由于他们共享实体而显示出结构依赖关系。

翻译 Transformer

论文地址：https://arxiv.org/pdf/1706.03762.pdf视频地址：https://www.bilibili.com/video/BV1pu411o7BE/?spm_id_from=333.7882.摘要卷积神将网络对较长的序列难以建模，因为他每次看一个比较小的窗口，如果两个像素隔得比较远，要用到很多层卷积才能把隔得很远的两个像素融合起来。但是用Transformer一层就能把整个序列看到。但是卷积有一个好处就是一个输出通道可以认为它可以识别不一样的模式，Transformer

翻译 3DRTE

摘要时间知识图(TKG)的嵌入受到了学术界越来越多的关注。然而，现有的翻译方法大多是对传统翻译模型的扩展。由于其固有的局限性，这些方法往往难以有效地模拟TKG的本质特征，即对称/反对称、反置和合成三种基本关系模式。本文提出了一种新的三维旋转时间嵌入方法。首先，利用序列信息处理中的自注意机制，有选择地融合事实三元组的时间特征和关系特征。然后，将实体建模为三维空间中的点，用四元数解释实体之间的两次等斜旋转关系。在多个公共数据集上的实验结果表明，我们的方法获得了最先进的结果。介绍传统嵌入模型：TransE,

翻译 SpliMe

摘要本文提出一种新颖的视角，利用现有的KGE模型的强大功能，将精力集中在怎样插入时间数据上。还发现了目前用于评估静态模型在时间图上的性能的过程中存在的问题，并介绍了两种消除这些问题的方法。介绍提出与模型无关的SpliMe方法，使用事实的有效时间以三种不同的方式嵌入谓词，(1)时间戳(2)分割（3）合并。SpliMe的核心是一个转换函数，它将TKG映射为一个新的表示，其中在实体和/或谓词级别包含时间范围。揭示了时间知识图上评估静态模型存在的问题。具体说，当前过程会导致test-leakage，即测试

翻译 TKGC综述2022

原文：https://arxiv.org/pdf/2201.08236.pdf摘要TKGC方法可以学习KGC方法未能捕获的知识图的动态演化。本文详细介绍TKGC的背景，包括问题定义、基准数据集和评估指标。然后，根据如何使用事实的时间戳来捕获时间动态来总结现有的TKGC方法。最后，对全文进行了总结，并提出了今后的研究方向。介绍TKGC的关键挑战是如何有效地将时间戳集成到模型中，以便能够恰当地捕获实体、关系和底层图的时间动态，并将其用于链接预测。本文的主要贡献如下:1)提出了一种基于事实时间戳的链接预

翻译 TuckERT/TuckERTNT

摘要本文在四阶张量Tucker分解的启发下，建立了一种新的时态知识图补全张量分解模型。此外，提出了几个正则化方案来改进策略，并研究它们对所提模型的影响。在三个时间数据集(ICEWS2014, ICEWS2005-15, GDELT)上的实验研究证明了设计是正确的，并证明了模型在链接预测任务上有明确的边际优于基线。背景tucker可以将一个张量X分解成一个核心张量G和三个矩阵A,B,C。◦表示向量交叉积，核心张量G可以捕捉到不同分量之间相互作用的信息。每个模态A, B, C的矩阵相互正交。×n表示沿

翻译 TeLM模型

摘要本文提出了一种新的时间感知知识图嵌入方法TeLM，利用线性时间正则化器和多向量嵌入对时间知识图进行四阶张量分解。此外，还研究了时间数据集的时间粒度对时序知识图完成的影响。实验结果表明，在四个已有的时序知识图补全基准上，使用线性时间正则化器训练的模型在链接预测方面取得了最先进的性能。介绍知识图嵌入(KGE)方法将实体和关系嵌入到一个低维的嵌入空间中，并通过输入实体的嵌入及其与评分函数的关系来度量三元组的可信性。例如，ComplEx中实体和关系被表示为复杂嵌入，一个三重(s, r, o)的得分是用不

翻译 TComplEx/TNTComplEx

摘要关系数据中用于表示学习和链接预测的大多数算法都是针对静态数据设计的。然而，它们所应用的数据通常会随着时间的推移而变化，比如社交网络中的好友图，或者用户与推荐系统中的条目的交互。这也是知识库的情况，其中包含的事实，如(美国，总统，B奥巴马，[2009-2017])，只在某些时间点有效。对于时间约束下的链接预测问题，即回答(US, has president， ?， 2012)等问题，我们提出了一种受4阶张量正则分解启发的解决方案。我们引入了新的正则化方案，并提出了ComplEx (Trouillon等人

翻译 T-SimplE

摘要为满足数据稀疏和计算效率的问题，采用KG将实体和关系的语义信息表示为密集的低维向量。TKG中的数据可能只在一段时间内有效，为解决数据随时间变化的问题，本文提出一种基于张量分解的TKGC模型，该模型将KG中的事实集视为包含有实体，关系实体，尾实体和时间维数的四阶张量。介绍本文主要贡献提出一种基于张量分解的KG嵌入模型，并将其扩展到一种基于四阶张量的模型，具体来说，分解方法为每个时间戳生成嵌入。基于张量分解可以共享参数的特性，解决了时间敏感性的问题。提出了T-SimpIE模型。代码地址：T-

翻译 A Re-evaluation of Temporal Knowledge Graph Completion Models under a Unified Framework

翻译 CyGNet

Learning from History: Modeling Temporal Knowledge Graphs with Sequential Copy-Generation NetworksAAAI 2021

原创 包，文件，

目录包包包就是文件夹，包中还可以有包，也就是子文件夹。一个个python文件就是模块。__init __.py是每一个python包里必须存在的文件。如何创建一个包：

原创 流程控制，函数，面向对象，异常处理

目录流程控制if语句for循环内置函数rangewhile循环流程控制if语句if bool_result: #语法块do #业务代码块需要缩进else：elsedo#与do缩进同级if bool_result:doelif bool_result:elifdoelse:elsedofor循环for item in iterable:print(item)iterable:可循环的数据类型，如列表，元组，字符串，字典。 item：iterab

原创 python笔记- 列表，元组，字典，集合

字符串函数capitalize函数casefold与lower函数upper函数swapcase函数zfill函数count函数startswith和endswith函数find和index函数strip函数replace函数字符串布尔集合isspaceistitleisupper和islowercapitalize函数功能：将字符串的首字母大写，其他字母小写。用法：newstr = oldstr.capitalized() ，括号内什么都不用写，字符串无法修改，所以赋值给新的变量。注意事项：只对第