扣扣biubiubiu~

EMNLP 2020 Disentangle-based Continual Graph Representation Learning链接： https://arxiv.org/abs/2010.02565Github: https://github.com/KXY-PUBLIC/DiCGRL研究背景：多关系数据表示真实世界中实体和实体之间的关系，其中的节点表示实体，边代表实体之间的关系，比如常见的知识图谱和信息网络等。利用图表示学习方法对多关系图建模一直是学术界和业界关注的热点。图表示学习目的是

论文解析（CIKM 2020） NASE: Learning Knowledge Graph Embedding for Link Prediction via Neural Architecture Search链接：https://arxiv.org/pdf/2008.07723.pdf研究背景：现有的知识图谱大多是不完整，且存在噪声，构建一个完备的知识图谱需要耗费大量的计算资源和存储空间，是不现实的。为了解决这一问题，提出了链接预测任务来预测知识图谱中任意两个实体之间是否存在关系，这一任务很快成

渣渣的deepwalk之旅刚开始学习网络表示学习，看完《Deepwalk Online learning of social representations》后，打算去github上下载源码并自己测试，实现deepwalk算法，结果就开始漫长的修正bug之路：对deepwalk论文的理解源码和数据集各种库函数安装失败（scipy和gensim）成功运行对deepwalk论文的理解 《D

系列算法TransE：同一语义空间表示，向量加法TransH：让一个实体在不同关系下有不同的表示TransR：认为不同的关系拥有不同的语义空间（实体向关系空间投射）CTransR：细分关系TransD：为头尾实体构建不同的投影矩阵（矩阵与实体关系都相关）TranSparse：为头尾实体构建不同的投影矩阵（不同的矩阵稀疏度）TransA：损失函数中距离度量改用马氏距离，并为每一维的学习...