研究意义:

1、学到了实体(entity)和关系(relation)的embedding表示

2、模型简单而有效，容易训练

3、启发了整个Trans系列知识表示学习，代表性工作有transH，transR，transD

4、引用量较高

本文主要结构如下所示:

一、Abstract

提出基于一对多关系数据的建模，将实体和关系映射到低维空间

摘要主要说明以下几个主要的关键点:

1、使用低维向量表示三元组数据(知识图谱)的实体和关系

2、易于训练、模型参数少、可以扩展到大的数据

3、模型的损失函数是基于实体和关系向量的计算(translations)

4、通过边的预测等任务在两个数据集验证了模型的有效性

二、Introduction

多关系数据广泛存在于社交网络、推荐系统、知识图谱，但是难点再于多类型的边

三、TransE

基于embedding最大间隔负采样，提出transE模型

目标函数构建

四、Related Work

与SE、SME、LFM模型比较TransE模型减少了参数，而且模型更有效

五、Experiment

实验选取wordnet和freebase数据集，探究模型有效性，边的预测，案例分析

边预测效果:

三元组分多个类别效果统计:

案例分析:

新关系预测:

六、Conclusion

总结TransE的优点、参数少、效果好、易扩展

关键点: 1、三元组的表示方式 2、负样本构建 3、损失函数的构建

创新点: 1、transE基础模型 2、较多的论证实验

七、Code

开源代码: https://github.com/thunlp/OpenKE

八、Trans系列后期改进算法(附加)

TransE存在的问题是: 一对多、多对一、多对多问题，导致实体向量表示相同

TransH解决上述TransE存在的问题，主要思路是因为实体在不同关系上有不同的embedding，主要操作方式是映射到超平面上

TransE和TransH算法存在的问题是: 实体和关系由于是不同类型的点，可能存在于不同的空间

TransR解决思路是将实体映射到关系的空间上，主要通过矩阵的转换映射

TransR存在的问题是：同一个关系对应的实体是同样的映射；映射只由关系决定；矩阵转换操作复杂度较大

TransD解决思路是: 将M用向量表示替代

Trans系列算法对比:

Translating Embedding for Modeling Multi-relational Data相关推荐

TransE全文中文翻译(Translating Embeddings for Modeling Multi-relational Data)
最近接触自然语言处理,英文论文看不懂,不才结合google translate将其翻译了一遍,还是看不懂-- 欢迎路过的网友指出翻译中的错误~ Translating Embeddings for M ...
2018 ESWC | Modeling Relational Data with Graph Convolutional Networks
2018 ESWC | Modeling Relational Data with Graph Convolutional Networks Paper: https://arxiv.org/pdf/ ...
Translating Embeddings for Modeling Multi-relational Data 笔记（基于Translation提出了TransE）
更多图神经网络和深度学习内容请移步: 论文:Translating Embeddings for Modeling Multi-relational Data 论文链接:https://proceed ...
RGCN - Modeling Relational Data with Graph Convolutional Networks 使用图卷积网络对关系数据进行建模 ESWC 2018
文章目录 1 相关介绍两个任务 main contributions 2 Neural relational modeling 2.1 符号定义 2.2 关系图卷积网络R-GCN 2.3 Regul ...
论文翻译解读：Translating Embeddings for Modeling Multi-relational Data【TransE】
文章目录为建模多关系数据转换嵌入简要信息重要内容概括摘要 1 介绍 2 基于翻译的模型 3 相关工作 4 实验 4.1 数据集 4.2 实验设置 4.3 链接预测 4.4 学会用很少的例子来预 ...
【论文解读 ESWC 2018 | R-GCN】Modeling Relational Data with Graph Convolutional Networks
论文题目:Modeling Relational Data with Graph Convolutional Networks 论文来源:ESWC 2018 论文链接:https://arxiv.or ...
知识图谱表示学习 TransE: Translating Embeddings for Modeling Multi-relational Data
知识图谱表示学习 TransE: Translating Embeddings for Modeling Multi-relational Data 表示学习是深度学习的基础,将数据用更有效的方式表达 ...
论文阅读 Modeling Relational Data with Graph Convolutional Networks
Modeling Relational Data with Graph Convolutional Networks 使用图卷积网络建模关系数据发表于 [stat.ML] 26 Oct 2017 摘 ...
论文阅读笔记: Modeling Relational Data with Graph Convolutional Networks
arXiv:1703.06103v4 文章目录 1.Introduction 2.神经关系建模(Neural relational modeling) 2.1 关系图卷积网络(Relational g ...

Translating Embedding for Modeling Multi-relational Data