研究意義:

1、學到了實體(entity)和關系(relation)的embedding表示

2、模型簡單而有效，容易訓練

3、啟發(fā)了整個Trans系列知識表示學習，代表性工作有transH，transR，transD

4、引用量較高

?

本文主要結構如下所示:

一、Abstract

? ? ? ? ? ?提出基于一對多關系數據的建模，將實體和關系映射到低維空間

? ? ? ? ? ?摘要主要說明以下幾個主要的關鍵點:

? ? ? ? ? ?1、使用低維向量表示三元組數據(知識圖譜)的實體和關系

? ? ? ? ? ?2、易于訓練、模型參數少、可以擴展到大的數據

? ? ? ? ? ?3、模型的損失函數是基于實體和關系向量的計算(translations)

? ? ? ? ? ?4、通過邊的預測等任務在兩個數據集驗證了模型的有效性

二、Introduction

? ? ? ? ? 多關系數據廣泛存在于社交網絡、推薦系統(tǒng)、知識圖譜，但是難點再于多類型的邊

三、TransE

? ? ? ? ? 基于embedding最大間隔負采樣，提出transE模型

?

目標函數構建

?

四、Related Work

? ? ? ? ? 與SE、SME、LFM模型比較TransE模型減少了參數，而且模型更有效

?

五、Experiment

? ? ? ? ? 實驗選取wordnet和freebase數據集，探究模型有效性，邊的預測，案例分析

? ? ? ? ? 邊預測效果:

? ? ? ?

? ? ? ? ? 三元組分多個類別效果統(tǒng)計:

?

? ? ? ? ?案例分析:

?

? ? ? ? 新關系預測:

?

六、Conclusion

? ? ? ? ?總結TransE的優(yōu)點、參數少、效果好、易擴展

? ? ? ? ?關鍵點: 1、三元組的表示方式? 2、負樣本構建? ?3、損失函數的構建??

? ? ? ? ?創(chuàng)新點: 1、transE基礎模型? 2、較多的論證實驗

?

七、Code

? ? ? ? ?開源代碼:?https://github.com/thunlp/OpenKE ? ? ??

?

八、Trans系列后期改進算法(附加)

?TransE存在的問題是: 一對多、多對一、多對多問題，導致實體向量表示相同

?TransH解決上述TransE存在的問題，主要思路是因為實體在不同關系上有不同的embedding，主要操作方式是映射到超平面上

? ? ? ? ? TransE和TransH算法存在的問題是: 實體和關系由于是不同類型的點，可能存在于不同的空間

? ? ? ? ? TransR解決思路是將實體映射到關系的空間上，主要通過矩陣的轉換映射

? ? ? ? ?TransR存在的問題是：同一個關系對應的實體是同樣的映射；映射只由關系決定；矩陣轉換操作復雜度較大

? ? ? ? ?TransD解決思路是: 將M用向量表示替代

? ? ? ? ? Trans系列算法對比:

?

?

總結

以上是生活随笔為你收集整理的Translating Embedding for Modeling Multi-relational Data的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。