知识图谱trans系列算法介绍

举报
图森破 发表于 2021/06/29 11:53:18 2021/06/29
【摘要】 1. TransETransE是为了解决知识图谱中关系数据而提出的算法,其核心思想是将知识图谱中的关系relation和实体entity进行向量化表示,通过不断学习调整head、relation、tail的向量表示,使head + relation尽可能与tail相等,即head + relation = tail。适用于将知识图谱中的每条知识进行低维稠密化表示。2. TransH3. Tr...

1. TransE

TransE是为了解决知识图谱中关系数据而提出的算法,其核心思想是将知识图谱中的关系relation和实体entity进行向量化表示,通过不断学习调整headrelationtail的向量表示,使head + relation尽可能与tail相等,即head + relation = tail。适用于将知识图谱中的每条知识进行低维稠密化表示。


2. TransH

3. TransR

4. TransD

TransD是为了解决知识图谱中关系数据而提出的算法,其核心思想是将知识图谱中的关系relation和实体entity进行向量化表示,通过将headtail映射到由一组三元组中的实体和关系共同构建的空间,使head + relation尽可能与tail相等,即head projection + relation = tail projection。适用于将知识图谱中的每条知识进行低维稠密化表示,比transE算法在处理非对称关系上有更好的效果。

5. TransDtrans系列中的优势

  • TransD模型对每个实体或关系使用两个向量进行表示,一个向量表示语义,另一个用来构建映射矩阵,因为不同关系关注的是实体的不同方面,且前后实体往往是完全不同类的实体,应该使用不同的映射方法。
  • TransD解决了TransR中参数多、矩阵相乘耗时长、不能应用到大规模知识图谱上的缺点。使用向量相乘大大减少计算时间、减少了参数量、能够应用于大规模知识图谱。
  • TransD将TransE构造为自身的特殊情况:当实体和关系的语义向量维数相等且投影向量维数为0TransD就简化为TransE

【版权声明】本文为华为云社区用户原创内容,转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息, 否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。