Translating Embedding for Modeling Multi-relational Data
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 ...
最新文章
- Python-Requests.post方法中,传参data与json的区别
- ubuntu mysql 定时生成 备份文件 使用crontab 【个人笔记总结】
- 基本数据类型之间的运算
- 使用CSS3线性渐变实现图片闪光划过效果
- c# 2.0 Factory的实现
- 频谱知识图谱:面向未来频谱管理的智能引擎人工智能技术与咨询
- Android实现XML解析技术 (转载http://www.cnblogs.com/hanyonglu/archive/2012/02/28/2370675.html)...
- Microsoft Research和Windows Azure合作伙伴对数据发现和共享的影响
- 未来教育计算机二级答案,未来教育计算机二级操作题答案.docx
- Linux/ubuntu AWK / BEGIN / END的用法
- POJ3295 Tautology
- 【人工智能学习笔记】初识人工智能
- CSR867x — 如何修改蓝牙设备名称
- oracle巡检表,ORACLE日常巡检内容
- Typora配置图床
- idea批量修改变量快捷键mac_IDEA 快捷使用指南
- H5的jsapi微信支付:wx.chooseWXPay,ios手机在支付成功后不执行success中的回调函数
- 【解决方案】TS2300: Duplicate identifier
- 开发Android app需要掌握的技术
- 面试题记录-- 对于软件测试的理解,测试的核心,测试策略
热门文章
- thinkphp5中资源文件路径的使用
- SD卡中FAT32文件格式快速入门(图文详细介绍)
- 动软发布微信营销服务系统,微信商城系统!
- skynet-源码分析1:目录下的文件整理
- 使用PHP往Windows系统中添加用户
- PAT甲级1062 Talent and Virtue:[C++题解]结构体、哈希表
- (更新中)篮球相关英语积累与2020年NBA东部决赛:迈阿密热火与波士顿凯尔特人
- 要你命3000-List29
- 计算机应用能力 中文字处理,全国职称计算机应用能力考试《Word 2003中文字处理》考试大纲...
- 曙光高性能服务器,曙光高性能进入世界前十_中科曙光服务器_服务器知识学堂-中关村在线...