【论文精读】Knowledge Graph Embedding by Translating on Hyperplanes

原创

已于 2022-06-13 21:59:39 修改 · 950 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#知识图谱 #机器学习 #深度学习

于 2022-06-13 21:57:34 首次发布

本文介绍了一种改进的知识图谱嵌入模型TransH，它通过将关系理解为超平面的平移，解决了TransE在处理自反、一对多等关系的问题。TransH在链接预测、三元组分类和事实提取任务上表现出色，尤其在减少假阴性标签方面有创新方法。实验结果显示其在预测精度上超越TransE，且具有高效和扩展性。

年份	2014
第一作者单位	中山大学
benchmark datasets	WordNet and Freebase
task	link prediction, triplet classification and fact extraction
梯度下降方式	SGD
three tasks	link prediction,triplets classification,relational fact extraction
评价指标	MR Hits@10

专属名词

the normal vector	法向量

0 摘要

我们处理了将一个由实体和关系组成的大规模知识图嵌入到一个连续的向量空间中。TransE是最近提出的一种很有前途的方法，它非常高效，同时实现了最先进的预测性能。讨论了嵌入中需要考虑的关系的映射性质，如自反、一对多、多对一和多对多。我们注意到TransE在处理这些属性方面表现不佳。一些复杂的模型能够保留这些映射属性，但在这个过程中牺牲了效率。为了在模型性能和效率之间进行良好的权衡，本文提出了TransH，它将一个关系建模为一个超平面，并对其进行平移操作。这样，我们就可以很好地保持上述关系的TransE的映射性质。此外，由于实用知识图往往远未完成，如何构建