文章目錄

• abstract
• 1. introduction
• 2 Related Work
• • 2.1 Binary Relation Embedding
  • 2.2 Multi-fold Relation Embedding
• 3 Group-Constrained Embedding
• • 3.1 Framework
  • 3.2 Optimizing Method
  • 3.3 Proposed Model
  • 3.4 Complexity Analysis
• 4.實(shí)驗(yàn)
• • 4.1 數(shù)據(jù)集
  • 4.2 Link Prediction
  • 4.3 Instance Classi?cation
• 5.總結(jié)

Huang, Y., et al. (2019). Group-Constrained Embedding of Multi-fold Relations in Knowledge Bases. Natural Language Processing and Chinese Computing: 235-248.

abstract

知識(shí)庫(kù)的表示學(xué)習(xí)旨在將實(shí)體和關(guān)系都嵌入到連續(xù)的向量空間中。大多數(shù)現(xiàn)有模型（例如TransE，DistMult，ANALOGY和ProjE）僅考慮知識(shí)庫(kù)中涉及的二進(jìn)制關(guān)系，而將多重關(guān)系轉(zhuǎn)換為三元組并視為二進(jìn)制關(guān)系的實(shí)例，從而導(dǎo)致結(jié)構(gòu)信息丟失。M-TransH是最近提出的用于多重關(guān)系的直接建?？蚣?#xff0c;但忽略了某些事實(shí)屬于同一關(guān)系的關(guān)系級(jí)信息。本文提出了一種組約束嵌入方法，該方法將實(shí)體節(jié)點(diǎn)和事實(shí)節(jié)點(diǎn)從實(shí)體空間嵌入到關(guān)系空間中，將與同一關(guān)系相關(guān)的嵌入事實(shí)節(jié)點(diǎn)限制為具有零約束，半徑約束或余弦約束的組。使用此方法，提供了一個(gè)新模型，即Gm-TransH。我們?cè)阪溄宇A(yù)測(cè)和實(shí)例分類任務(wù)上評(píng)估了我們的模型，實(shí)驗(yàn)結(jié)果表明Gm-TransH明顯優(yōu)于以前的多重關(guān)系嵌入方法，并取得了出色的性能。

• 實(shí)體/關(guān)系嵌入（到連續(xù)的向量空間中）
  • 二元關(guān)系：例如TransE，DistMult，ANALOGY和ProjE）
  • 多重關(guān)系嵌入
    • 二元關(guān)系的方法用于多重關(guān)系（多重關(guān)系轉(zhuǎn)化為多個(gè)三元組，對(duì)每個(gè)三元組用二元關(guān)系的方法）
    • 問題：二元關(guān)系的方法若用于多重關(guān)系，將之轉(zhuǎn)換為三元組，視為二元關(guān)系，導(dǎo)致信息丟失
      • 出現(xiàn)謂詞的異質(zhì)性heterogeneity，不利于嵌入
      • 解決：M-TransH
    • M-TransH的問題：忽略了某些事實(shí)屬于同一關(guān)系的關(guān)系級(jí)信息
      • 解決：本文Gm-TransH
• Gm-TransH:
  • 任務(wù)：將實(shí)體節(jié)點(diǎn)和事實(shí)節(jié)點(diǎn)從實(shí)體空間嵌入到關(guān)系空間中
  • 動(dòng)機(jī)：考慮某些事實(shí)屬于同一關(guān)系的關(guān)系級(jí)信息
    • 做法：以使嵌入的事實(shí)向量接近超平面上其對(duì)應(yīng)的關(guān)系向量
  • 優(yōu)化：組約束嵌入方法：Group-Constrained Embedding
    • 約束：
      • 目的：將同一關(guān)系的事實(shí)節(jié)點(diǎn)限制在組中：
      • 策略：零約束、半徑約束、余弦約束
  • 對(duì)應(yīng)于三種策略的三個(gè)模型變體：Gm-TransH:zero, Gm-TransH:radius, Gm-TransH:cosine

1. introduction

表示學(xué)習(xí)[7]已被提出作為一種新的知識(shí)庫(kù)表示和推理方法。它嵌入了實(shí)體和實(shí)體之間的關(guān)系。實(shí)體和關(guān)系的表示是通過最小化涉及所有實(shí)體和關(guān)系的全局損失函數(shù)獲得的。與傳統(tǒng)的基于邏輯的推理方法相比，表示學(xué)習(xí)在語(yǔ)義搜索，問題解答，藥物發(fā)現(xiàn)和疾病診斷等應(yīng)用中顯示出強(qiáng)大的可行性和魯棒性。

• 知識(shí)圖譜應(yīng)用的方法
  • 基于邏輯的推理方法
  • 表示學(xué)習(xí)
    • 實(shí)體和關(guān)系的表示，通過最小化相關(guān)的所有實(shí)體和關(guān)系的全局損失得到
    • 更穩(wěn)定、可行

盡管取得了令人鼓舞的成就，但大多數(shù)現(xiàn)有的表示學(xué)習(xí)技術(shù)（例如TransE [1]，DistMult [18]，ANALOGY [9]和ProjE [12]）僅考慮知識(shí)庫(kù)中包含的二元關(guān)系，即三元組每個(gè)都涉及兩個(gè)實(shí)體和一個(gè)關(guān)系。例如，“唐納德·J·特朗普是美國(guó)總統(tǒng)”由兩個(gè)實(shí)體組成：“唐納德·J·特朗普。特朗普”，“美國(guó)”和二元關(guān)系“一國(guó)總統(tǒng)”。但是，我們現(xiàn)實(shí)生活中大量的知識(shí)是具有多重關(guān)系（n元， 2）的實(shí)例，在一個(gè)實(shí)例中涉及三個(gè)或更多實(shí)體（例如“哈利·波特是英美電影系列根據(jù)作者JK羅琳的哈利波特小說(shuō)”）。解決此問題的通用方法是將每個(gè)多重關(guān)系轉(zhuǎn)換為具有二進(jìn)制關(guān)系的三元組，并使用現(xiàn)有的Trans（E，H，R）方法學(xué)習(xí)每個(gè)三元組的嵌入。因此，具有N元關(guān)系的實(shí)例將轉(zhuǎn)換為2）三元組[17]。盡管這種轉(zhuǎn)換能夠捕獲多重關(guān)系結(jié)構(gòu)的一部分[11]，但它導(dǎo)致謂詞的異質(zhì)性，不利于嵌入。Wen等。 [17]提倡多重關(guān)系的實(shí)例表示，并提出了用于知識(shí)庫(kù)嵌入的直接建?？蚣堋?m-TransH”。但是，m-TransH將事實(shí)節(jié)點(diǎn)與一般實(shí)體節(jié)點(diǎn)相同，并且忽略某些事實(shí)屬于同一關(guān)系的關(guān)系級(jí)別信息。

在本文中，我們首先提出了一種組約束嵌入方法，該方法將實(shí)體節(jié)點(diǎn)和事實(shí)節(jié)點(diǎn)從實(shí)體空間嵌入到關(guān)系空間中，使用三種不同的約束策略（）將與同一關(guān)系相關(guān)的嵌入事實(shí)節(jié)點(diǎn)限制在組中。即零約束，半徑約束和余弦約束。

• 數(shù)據(jù)集
  • FB15K [1]
  • JF17K [17].
• 貢獻(xiàn)：
  • Group-Constrained Embedding 框架
  • 三種約束策略：零約束，半徑約束和余弦約束
  • 提出Gm-TransH和三個(gè)變體
  • 清理冗余數(shù)據(jù)，從JF17K數(shù)據(jù)集生成$G_{fact}$

（a）提出了用于多重關(guān)系嵌入的組約束嵌入框架，該框架將實(shí)體和事實(shí)節(jié)點(diǎn)都嵌入到低維向量空間中，從而迫使事實(shí)嵌入接近其對(duì)應(yīng)的關(guān)系向量。
（b)我們引入了三種不同的組約束類型：零約束，半徑約束和余弦約束。對(duì)它們的優(yōu)缺點(diǎn)進(jìn)行了經(jīng)驗(yàn)分析。
（c）整合了TransH模型，并提出了一種新模型Gm-TransH和三個(gè)變體Gm-TransH：Zero，Gm-TransH：Radius和GmTransH：Cosine用于多重關(guān)系嵌入。鏈接預(yù)測(cè)和實(shí)例分類任務(wù)的實(shí)驗(yàn)結(jié)果證明了這三種模型變體的有效性。
（d)清理冗余數(shù)據(jù)并為JF17K數(shù)據(jù)集生成一個(gè)新的子集$G_{fact}$。

2 Related Work

2.1 Binary Relation Embedding

• 二元關(guān)系
  • TransE系列：（transilation embedding)
    • TransE：$(h,r,t)成立：h+r\approx t$
    • TransH:在不同關(guān)系下，實(shí)體的表示不同（投影）
    • TransR:實(shí)體空間–>關(guān)系空間
    • PTransE [7],
    • TranSparse [6],
    • KG2E [3]
  • MultiKE [19],
  • RotatE [14]
  • 張量分解方法
    • LFM [4],
    • HolE [10]
  • 神經(jīng)網(wǎng)絡(luò)方法
    • ProjE [12]
    • Conv2D [2],
    • NKGE [15],
    • CrossE [20]

2.2 Multi-fold Relation Embedding

• 多重關(guān)系嵌入
  • 通常使用S2C轉(zhuǎn)換和分解框架[17]
    • 多元關(guān)系->多個(gè)三元組
    • 每個(gè)三元組用一次二元關(guān)系的方法
  • 直接的多重關(guān)系框架
    • M-TransH
      • 將TransH直接泛化到multi-fold關(guān)系上
      • cost function:$$\begin{gathered} f_r(t)=||{\Sigma }_{rho\in M(R_r)}{a}_r(\rho )P_{n_r}(t(\rho ))+b_r|{|}_2^2,t\in N^{M(R_r)} \\ M(R_r):涉及關(guān)系R_r的一組實(shí)體 \\ N:KB中的所有實(shí)體t::R_r的實(shí)例 \\ t（\rho ):\rho 角色的實(shí)體 \\ {P}_{n_r}(z)：向量z在超平面上的投影, \\ {n}_r：normal向量 \\ {P}_{n_r}(z)=z?n_r^{T}z{n}_r \\ {n}_r和b_r：單位長(zhǎng)度正交向量 \end{gathered}$$
      • $a_r\in R^{M(R_r)},{\Sigma }_{rho\in M(R_r)}{a}_r(\rho )=0$

3 Group-Constrained Embedding

3.1 Framework

• 框架
  • 原始文本->知識(shí)->知識(shí)庫(kù)中多重關(guān)系的實(shí)例
  • 事實(shí)節(jié)點(diǎn)：特定關(guān)系的每個(gè)實(shí)例（Fact)
    • 實(shí)例的實(shí)體鏈接到事實(shí)節(jié)點(diǎn)（三角形）
    • 事實(shí)節(jié)點(diǎn)可以共享：實(shí)體（角色）和關(guān)系
  • 組：同一個(gè)關(guān)系的屬于一個(gè)組
  • 組內(nèi)fact距離近，組間距離遠(yuǎn)

我們的多重關(guān)系建?？蚣苋鐖D1所示。從原始文本中提取的知識(shí)構(gòu)成了知識(shí)庫(kù)中多重關(guān)系的實(shí)例，我們引入事實(shí)節(jié)點(diǎn)來(lái)表示特定關(guān)系的每個(gè)實(shí)例，并將實(shí)例的實(shí)體鏈接到相應(yīng)的事實(shí)節(jié)點(diǎn)。這些事實(shí)節(jié)點(diǎn)可以共享某些角色（即實(shí)體）和關(guān)系。例如，在圖1中，事實(shí)2和事實(shí)4具有相同的“出生”關(guān)系，即唐納德·特朗普和伊萬(wàn)卡·特朗普都出生在紐約。我們將實(shí)體和事實(shí)節(jié)點(diǎn)都嵌入到低維向量空間中，并使具有相同關(guān)系的事實(shí)節(jié)點(diǎn)的嵌入接近，從而為每種關(guān)系類型生成一個(gè)組，而使不同關(guān)系的組彼此遠(yuǎn)離。

3.2 Optimizing Method

說(shuō)明了在知識(shí)庫(kù)中進(jìn)行多重關(guān)系嵌入的三種不同的組約束策略。我們使用零約束，半徑約束或余弦約束方法將實(shí)體，事實(shí)和多重關(guān)系從原始向量空間（即圖A）嵌入到連續(xù)向量空間（即圖B，C，D）。橙色正方形表示多重關(guān)系，綠色圓圈表示實(shí)例（即事實(shí)節(jié)點(diǎn)），藍(lán)色三角形表示一般實(shí)體。 （在線彩色圖）
將多重關(guān)系轉(zhuǎn)換為二進(jìn)制關(guān)系會(huì)導(dǎo)致謂詞的異構(gòu)性，這不利于知識(shí)庫(kù)的嵌入。M-TransH [17]將事實(shí)節(jié)點(diǎn)與一般實(shí)體節(jié)點(diǎn)相同，忽略了某些事實(shí)屬于同一關(guān)系的關(guān)系級(jí)別信息。在這里，我們提出了一種稱為組約束嵌入的優(yōu)化方法，該方法將實(shí)體節(jié)點(diǎn)和事實(shí)節(jié)點(diǎn)從實(shí)體空間嵌入到關(guān)系空間中，從而將與同一關(guān)系相關(guān)的嵌入事實(shí)節(jié)點(diǎn)限制為特定組。

• 優(yōu)化方法：組約束嵌入
  • 將同一關(guān)系相關(guān)的嵌入事實(shí)節(jié)點(diǎn)限定為特定組
  • cost function:
    • $a_r\in R^{M(R_r)},{\Sigma }_{rho\in M(R_r)}{a}_r(\rho )=0$
    • 目標(biāo)：減少損失和懲罰
    • 懲罰$g_r(t)$:(相似度）
      • zero-constraint:強(qiáng)約束，令事實(shí)向量=關(guān)系向量
        • $g_r(t)=||b_r?P_{n_r}(e_{fact})|{|}_2,t\in N^{M(R_r)}$
        • 優(yōu)點(diǎn)：減少解空間，加快模型收斂
        • 缺點(diǎn)：降低多樣性和表達(dá)能力
        • 如圖B:同組內(nèi)事實(shí)共享相同的實(shí)體表示,組內(nèi)事實(shí)表示相同=關(guān)系
      • radius
        • $g_r(t)=||b_r?P_{n_r}(e_{fact})|{|}_2??,t\in N^{M(R_r)}$
        • 寬松的約束，在歐幾里得空間的距離＜$?$（圓）
        • 保證表達(dá)能力和多樣性
        • 缺點(diǎn)：每個(gè)維度的貢獻(xiàn)均等
        • 同組的事實(shí)在以關(guān)系為中心的圓內(nèi)（超球體）(圖C)
      • cosine
        • $g_r(t)=cos(b_r,P_{n_r}(e_{fact})),t\in N^{M(R_r)}$
        • 圖D:同組在一條線上(過原點(diǎn)）

在圖A的原始向量空間中，我們有一個(gè)三元關(guān)系“ relation1”（用橙色正方形表示）和兩個(gè)實(shí)例（用綠色圓圈表示），它們的FACT-ID為“ f act1”和“ f act2”。兩個(gè)實(shí)例中的每個(gè)實(shí)例都通過不同的角色（即role1，role2和role3）與其他三個(gè)通用實(shí)體（由藍(lán)色三角形表示）鏈接。我們?cè)趫DA中呈現(xiàn)4個(gè)一般實(shí)體e1，e2，e3和e4。我們可以看到，f act1和f act2在“ role1”和“ role2”上共享相同的實(shí)體，這與“ role3”不同。
在圖B，C和D中，我們通過在實(shí)例和實(shí)體的名稱上添加單引號(hào)來(lái)表示實(shí)例和實(shí)體的嵌入矢量。事實(shí)節(jié)點(diǎn)“ f act1”的嵌入向量被標(biāo)記為“ f act1’”。我們指出嵌入的多重關(guān)系“ relation1”與原始向量空間中的關(guān)系相同，因?yàn)樗鼈兪窍嗤南蛄?#xff0c;并且沒有映射操作。
圖B顯示了具有零約束的組約束嵌入的結(jié)果。當(dāng)我們強(qiáng)制嵌入的事實(shí)向量“ f act1’”，“ f act2’”及其對(duì)應(yīng)的關(guān)系向量“ relation1”之間的歐幾里得距離為零時(shí)，這三個(gè)向量幾乎落入了嵌入向量空間中的同一點(diǎn)。當(dāng)使用半徑約束時(shí)，
如圖C所示，“ f act1’”和“ f act2’”落入超球體，“ relation1”充當(dāng)球體的中心，半徑?是介于0和0之間的十進(jìn)制數(shù)。 1。我們可以看到，將?設(shè)置為0時(shí)，半徑約束退化為零約束。
在圖D中，我們使用余弦距離作為度量，因此嵌入矢量“ f act1’”，“ f act2’”和“ relation1”的角度幾乎相同，投影到超平面時(shí)落在一條直線上。

3.3 Proposed Model

• Group-constrained m-TransH (Gm-TransH)
  • 目標(biāo)：以使嵌入的事實(shí)向量接近超平面上其對(duì)應(yīng)的關(guān)系向量

3.4 Complexity Analysis

• 時(shí)間復(fù)雜度：TransH>Gm-TransH>M-TransH
  • 變體：radius>zero>cosine
• 參數(shù)數(shù)量：Gm-TransH<M-TransH
  

4.實(shí)驗(yàn)

4.1 數(shù)據(jù)集

• 數(shù)據(jù)集
  • FB15K [1]
    • 為了驗(yàn)證我們的模型對(duì)特定退化類型的多重（N-ary）關(guān)系(N=2)的有效性，我們還對(duì)FB15K數(shù)據(jù)集執(zhí)行了實(shí)例分類任務(wù)[1]
  • JF17K [17].
    • 多重關(guān)系：
      • $T(F):G$
      • $T_{id}(F):G_{id}$：缺少大量實(shí)例的事實(shí)節(jié)點(diǎn)
        • FACTID：不適用于本文model，去除
        • 擴(kuò)充為$G_{fact}$
    • 用三元關(guān)系表示的二元關(guān)系的數(shù)據(jù)集（S2C(G)):G_{s2c}
    • 一致的數(shù)據(jù)集
    • 一開始就去除了冗余
      

FB15K。為了驗(yàn)證我們的模型對(duì)特定退化類型的多重（N-ary）關(guān)系，即N = 2的二元關(guān)系的有效性，我們還對(duì)FB15K數(shù)據(jù)集執(zhí)行了實(shí)例分類任務(wù)[1]。由于FB15K數(shù)據(jù)集僅由三元組的二進(jìn)制關(guān)系組成，并且不包含事實(shí)節(jié)點(diǎn)的信息，因此我們擴(kuò)展FB15K數(shù)據(jù)集并將唯一的事實(shí)節(jié)點(diǎn)附加到每個(gè)三元組。因此，我們可以使用擴(kuò)展的FB15K數(shù)據(jù)集訓(xùn)練提出的Gm-TransH模型并在僅保持二進(jìn)制關(guān)系的情況下測(cè)試其性能。為了與二進(jìn)制關(guān)系的基準(zhǔn)模型進(jìn)行比較，我們使用原始的FB15K數(shù)據(jù)集來(lái)訓(xùn)練NTN，TransE，TransH和TransR模型。為方便起見，我們使用“ Raw”表示原始FB15K數(shù)據(jù)集，并使用“ Ext”表示擴(kuò)展的FB15K數(shù)據(jù)集。表3列出了原始FB15K和擴(kuò)展FB15K數(shù)據(jù)集的統(tǒng)計(jì)信息。

4.2 Link Prediction

• 鏈接預(yù)測(cè)
  • （h,r,t)：三缺1，預(yù)測(cè)缺的部分
  • the extended JF17K datasets i
  • 給候選實(shí)體排序
  • Evaluation Protocol
    • 將測(cè)試集中的實(shí)例
    • 為了公平起見，我們僅替換實(shí)例中出現(xiàn)的真實(shí)實(shí)體，并排除事實(shí)節(jié)點(diǎn)。
      
• 參數(shù)

按照標(biāo)準(zhǔn)，隨機(jī)梯度下降用于訓(xùn)練。我們將L2作為相異性，遍歷所有訓(xùn)練樣本1000輪。在我們的實(shí)驗(yàn)中，研究了實(shí)體和關(guān)系維d的幾種選擇：25、50、100、150、200、250。我們?cè)?.0015、0.005、0.01、0.1中選擇SGD的學(xué)習(xí)率λ，在0.001、0.01、0.05 0.1中選擇Gm-TransH的平衡因子β，在0.5、1.0、2.0中選擇余量γ，在Gm-TransH中選擇半徑? ：半徑在0.01、0.05、0.1、0.5、1、5之間，批量B在120、480、960、1920之間。三種不同的Gm-TransH模型的最佳配置為Gm-TransH：零：λ= 0.0015，β= 0.01，γ= 0.5，d = 150，B = 960。Gm-TransH：半徑：λ= 0.0015，β= 0.05，γ= 1.0，? = 0.05，d = 250，B = 480。Gm-TransH：余弦：λ= 0.0015，β= 0.01，γ= 1.0，d = 200，B = 1920。

• 結(jié)果
  • 總體而言，模型效果好
  • zero:利于判別
  • cosine:均值度量上好，具有整體優(yōu)化能力

結(jié)果。表5中顯示了在清潔和擴(kuò)展的JF17K數(shù)據(jù)集上進(jìn)行鏈接預(yù)測(cè)的實(shí)驗(yàn)結(jié)果，該結(jié)果顯示了尺寸分別為25、50、100、150、200、250的不同嵌入模型的Hit @ 10結(jié)果和平均排名結(jié)果。這三個(gè)Gm-TransH模型在Hit @ 10和平均排名指標(biāo)上均大大優(yōu)于Trans（E，H，R）模型。與m-TransH模型相比，我們的模型提高了Hit @ 10的概率，并通過m-TransH：inst獲得了近似的平均排名。結(jié)果表明，我們的方法對(duì)于通過多重關(guān)聯(lián)嵌入提高鏈接預(yù)測(cè)的準(zhǔn)確性是有效的。此外，相比之下，Gm-TransH：zero優(yōu)于Hit @ 10度量上的Radius約束和余弦約束，表明Zero Constraint更好用于判別。Gm-TransH：cosine在均值秩度量上表現(xiàn)最佳，并且具有更高的整體優(yōu)化能力。

4.3 Instance Classi?cation

• 實(shí)例分類任務(wù)：判斷給定實(shí)例（h,r,t)是否正確
• 構(gòu)建否定實(shí)例
• 我們選擇與鏈接預(yù)測(cè)中使用的相同的超參數(shù)，并獲得20次重復(fù)試驗(yàn)的平均準(zhǔn)確性。
• 有效

評(píng)估協(xié)議。對(duì)于實(shí)例分類任務(wù)，我們?cè)贜TN和TransH中遵循相同的協(xié)議。由于分類的評(píng)估需要否定標(biāo)記，因此JF17K和FB15K數(shù)據(jù)集都只包含肯定實(shí)例，因此我們按照文獻(xiàn)[13]中對(duì)FB13使用的相同步驟構(gòu)造否定實(shí)例。對(duì)于每個(gè)黃金實(shí)例，都會(huì)創(chuàng)建一個(gè)否定實(shí)例。
通過最大化訓(xùn)練集的分類精度，我們?yōu)槊總€(gè)關(guān)系r設(shè)置閾值。對(duì)于測(cè)試集中的給定實(shí)例，如果相異性得分低于${\delta }_r$，它將被分類為正，否則為負(fù)。

結(jié)果。表6詳細(xì)列出了實(shí)例分類的評(píng)估結(jié)果。我們可以觀察到，在FB15K和JF17K數(shù)據(jù)集上，Gm-TransH模型都可以達(dá)到90％的精度，明顯優(yōu)于包括NTN，Trans（E，H，R）和m-TransH在內(nèi)的基線模型。這表明我們的模型可以有效，富有表現(xiàn)力地學(xué)習(xí)關(guān)系級(jí)信息。此外，從FB15K（Raw）和FB15K（Ext）數(shù)據(jù)集的結(jié)果中，我們看到，即使對(duì)于二進(jìn)制關(guān)系，組約束嵌入模型也是可行且可靠的。

5.總結(jié)

我們提出了具有三種不同類型的多重關(guān)系約束策略的群約束嵌入框架，并提出了一種新的表示學(xué)習(xí)模型Gm-TransH。我們?cè)跀U(kuò)展的FB15K和JF17K數(shù)據(jù)集上評(píng)估所提出模型的有效性和性能。實(shí)驗(yàn)結(jié)果表明，在鏈接預(yù)測(cè)和實(shí)例分類任務(wù)上，Gm-TransH模型優(yōu)于所有基線模型。將來(lái)，我們將針對(duì)知識(shí)庫(kù)中日趨復(fù)雜的數(shù)據(jù)探索更多的表示和嵌入框架，例如事件和過程，并結(jié)合了二進(jìn)制關(guān)系學(xué)習(xí)中的最新進(jìn)展以進(jìn)行多重關(guān)系嵌入。

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎(jiǎng)勵(lì)來(lái)咯，堅(jiān)持創(chuàng)作打卡瓜分現(xiàn)金大獎(jiǎng)

總結(jié)

以上是生活随笔為你收集整理的18-Gm-TransH：Group-Constrained Embedding of Multi-fold Relations in Knowledge Bases,嵌入,transH,n-ary的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。