TEC: Knowledge Graph Embedding with Triple Context

本文探讨了如何通过考虑知识图谱中邻居上下文(NeighborContext)和路径上下文(PathContext)来提升知识图谱的补全能力。模型通过最大化可能性的方式,结合负采样策略进行训练,以更有效地利用图谱的丰富信息。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

TEC:Knowledge Graph Embedding with Triple Context

1 问题

   知识图谱没有充分利用上,丰富的信息,利用其周围信息和路径信息,基于以上信息进行知识知识图谱补全。

2 模型

context 信息包括:neighbor context和path context。
在这里插入图片描述

2.1 Context详细信息

  • Neighbor Context
    对于其Neighbor Context只进行出度的计算,CN(h)=(r4,e1),(r3,e2),(r2,e3),(r1,e8),(r1,e10)CN (h) = {(r_4, e_1), (r_3, e_2), (r_2, e_3), (r_1, e_8), (r_1, e_10)}CN(h)=(r4,e1),(r3,e2),(r2,e3),(r1,e8),(r1,e10)
  • Path Context
    对于Path Context, CP(h,t)=(r1,r2),(r2,r1,r2).CP (h,t) = {(r_1,r_2), (r_2,r_1,r_2)}.CP(h,t)=(r1,r2),(r2,r1,r2).,只保存h和t之间的关系。
    C(h,r,t)=CN(h)∪CP(h,t)C(h,r,t) = CN (h) ∪CP (h,t)C(h,r,t)=CN(h)CP(h,t)

2.2 打分函数

在这里插入图片描述
最大化可能性:
在这里插入图片描述
其可以写成以下形式:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
通过以上式子进行训练,消耗资源,因此进行训练时采用负采样的形式进行训练
在这里插入图片描述
其他两种类似。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值