HyTE:基于超平面时间感知的知识图谱Embedding
一个人可以非常清贫、困顿、低微,但是不可以没有梦想。只要梦想一天,只要梦想存在一天,就可以改变自己的处境。 — 奥普拉·温弗瑞
Trans系列的主题是基于翻译模型的知识表示学习,主要用来解决知识表示和推理的问题。本文主要介绍TransE和数据集Wordnet、Freebase等。
表示学习:主要面向知识图谱中实体和关系进行表示学习,一般使用建模方法将实体和向量表示在低维稠密向量空间中,然后计算并推理,主要的应用任务有三元组提取(triplet classification)和链接预测(link prediction)。
Trans系列的源头应该就是这篇介绍的与2013年被提出的TransE模型,之后针对TransE模型的改进和补充也成为了近年来知识表示的研究热点。
TransE,NIPS2013,Translating embeddings for modeling multi-relational data。
TransH,AAAI2014,Knowledge graph embedding by translat