基于平移距离的知识图谱推理模型（TransE、TransH、TransR、TransD、RotatE）
·
TransE
将关系视为低维向量空间中的头实体到尾实体的平移
训练目标：
最小化正确的三元组与错误的三元组之间的分数差距。具体来说，对于正确的三元组（头实体，关系，尾实体），TransE希望满足公式中的近似关系，而对于错误的三元组（头实体，关系，错误的尾实体），TransE希望分数差距大于某个阈值。
- S 是包含正确三元组的集合
- S′ 是包含错误三元组的集合
- d(x,y) 是向量 x 和y之间的距离度量，通常使用 L1 范数或 L2 范数
- γ 是一个边际间隔参数
- [z] +是一个阶跃函数，表示当 z 大于零时取值为 z，否则取值为零
损坏三元组由训练三元组用随机实体替换头部或尾部组成，但不能同时替换。
局限性：
TransE模型在处理多对一、多对多、自反关系的会有很多局限性。
如将三元组（诺兰，导演，《星际穿越》）等同于（ 诺兰，导演，《盗梦空间》）
TransH
动机：实体和关系应该属于不同的语义空间
将头实体、尾实体投影到关系r的超平面上，而不是在实体嵌入的同一空间。
转换后的hr、tr
评分函数：
TransR
在独立的实体空间和关系空间进行实体和关系的嵌入。（不要超平面了，将h和t转化到专属于r的向量空间）
转换后的hr、tr
评分函数：
TransD
对于给定三元组（ｈ，ｒ，ｔ），设置了两个投影矩阵Ｍrh和Ｍrt，且为减少模型的参数，将投影矩阵设置成对角矩阵
转换后的hr、tr
评分函数：
RotatE
将每个关系定义为在复数空间中从头实体到尾实体的旋转
评分函数：
北京人形旗下天工造物具身智能开源社区，聚焦具身天工与慧思开物两大平台
更多推荐
4
0- 0
已为社区贡献1条内容
所有评论(0)