REfusing的博客

TEC:Knowledge Graph Embedding with Triple Context1 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。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)

题目：TransA: An Adaptive Approach for Knowledge Graph Embedding1 问题本论文主要关注的问题是，距离的计算方式，一个自适应的权重矩阵。基于TransE的模型其评分函数采用欧几里得距离，不同维度的距离重要程度一样，就导致一些不太起作用的维度由于其距离比较大，导致产生的距离比较大，产生错误的评分，影响预测的结果。因此提出TransA模型，距离计算不再采用欧式距离，而实采用马式距离，不同维度根据其权重进行体现维度的重要性，将数据的维度进行压缩。下图即可

TransC:Differentiating Concepts and Instances for Knowledge Graph Embedding1 介绍1.1 问题作者发现在实现时，对于concept(抽象的概念，如老师 (zhangsan, instance, teacher))和instance(具体的概念，如人物(zhangsan,friendof, lisi), zhangsan 和lisi都是具体的实例)目前现有的模型都没有对其进行区分，为了简化操作通常的处理方式是将二者作为实体不加以

TransEdge: Translating Relation-contextualizedEmbeddings for Knowledge Graphs1 原因目前模型对于关系的处理存在问题，如线性模型，或者双线性模型无法抓住多样的关系结构。在TransE模型，例如(泰囧，演员，黄渤),(泰囧，饰演，徐峥），当进行h+r≈th+r \thickapprox th+r≈t导致结果黄渤和续重非常接近，不利于预测结果，因此提出以边为中心的理念，根据上下文表示关系，使边具有多样性。本质上就是，实体和关系本身的

题目：TransGate: Knowledge Graph Embedding with Shared Gate Structure1 问题目前的模型，当前的模型通过专注于从越来越复杂的特征工程中区分特定于关系的信息来改进嵌入，导致这些模型消耗大量的时间和空间，不能有效应用于现实世界大量的数据。论文中作者采用参数共享，能够学习更多的特征，减少参数避免模型更加复杂。基于Gate模式提出TransGate,利用部分Gate的思想构建模型，并对提出的模型进行重构减少参数，虽然效果比没有简化版的TransGat

Convolutional Complex Knowledge Graph Embeddings1 介绍1.1 思想该论文的核心就是结合ComplEx和维度卷积的形式，进行知识图谱补全。1.2 知识图谱中存在的关系symmetric(对称)if (h,r,t)⇐⇒(t,r,h)(h, r, t) ⇐⇒ (t, r, h)(h,r,t)⇐⇒(t,r,h) for all pairs of entities h,t∈Eh, t \in \mathbf {E}h,t∈Eanti-symmetri

其它关于卷积知识图谱补全：ConvR:Adaptive Convolution for Multi-Relational LearningConvE：Convolutional 2D Knowledge Graph EmbeddingsConvKB代码：A Novel Embedding Model for Knowledge Base Completion Based on Convolutional Neural Network1 介绍1.1 引言本篇论文是对于论文ConvE的模型进行改进，

关于卷积的知识图谱补全：ConvE：Convolutional 2D Knowledge Graph EmbeddingsConvKB代码：A Novel Embedding Model for Knowledge Base Completion Based on Convolutional Neural NetworkConvR论文：点击1 介绍本论文的思想是在ConvE论文的基础上进行改进，进行知识图谱补全。ConvE成功实现实体和关系之间的交互，但是实体和关系之间的交互非常少，仅仅只有百分

论文：Convolutional 2D Knowledge Graph Embeddings1 介绍1.1 提出原因之前提出的模型如disMult，Trans系列模型，成为浅层模型，虽然比较简单，参数较少、训练模型速度较快，但是这些模型相比于深的模型，更少能够抓到复杂的信息。因此，提出模型ConvE模型，利用卷积的方式进行知识图谱补全，能够适用于更加复杂的图。在浅层模型中增加特征数量的唯一方法，就是增加embedding的维度，但是随之而来存在一个问题，不能扩展到更大的知识图谱，因为嵌入参数的

   本篇论文是经典的双线性模型，通过乘法的方式进行知识图谱补全。查看原文1 简介该方法采用双线性模型，通过学习关系嵌入来挖掘逻辑规则，如BornInCity(a,b)∧CityOfCountry(b,c)⇒Nationality(a,c)BornInCity(a, b)\wedge CityOfCountry(b, c)\Rightarrow Nationality(a, c)BornInCity(a,b)∧CityOfCountry(b,c)⇒Nationality(a,c)。2 模型2.1 E

   在进行使用pytorch进行数据处理的使用，对于其中涉及的函数不是特别了解，导致在使用的时候，需要不断的翻阅资料，去查找某个方法如何使用，对于其产生的结果不是十分了解。以下对于pytorch中我遇到的常用函数进行归纳总结，并不进行完善，以供学习。1 常用的几种参数总结1.1 dim参数dim 这一参数通常指的是维度，其维度设置如下图所示：图片源于【PyTorch】PyTorch 中的 dim其中参考实例如下：import torcha = torch.Tensor([[[1, 2, 3

1 介绍本篇论文以卷积的方式对知识图谱进行补全，在实现时进行预测三原组是正确的还是错误的，该方法在论文ConvK的基础上进行改进，其在逻辑实现的过程中十分简单，通过相应的模型图即可知道其原理。2 模型2.1 模型图2.2 模型解释将三元组进行embedding，将(h,r,t)(h, r, t)(h,r,t)三元组转化为(vh,vr,vt)\left(\boldsymbol{v}_{h}, \boldsymbol{v}_{r}, \boldsymbol{v}_{t}\right)(vh​,vr

论文地址1 目的该论文主要用于知识图谱补全的一个子任务，实体类型推测。提出一个方法为AttEt，AttEt通过聚集具有类型特定权重的给定实体的邻域知识，在实现时采用entity-level和neighborhood-level，对于entity-level采用基础的TransE进行训练，而对于neighborhood-level采用注意力机制，对于不同的neighbor赋予不同的权值。2 模型2.1 模型结构图fij={+1,(ei,rij,eij) is hold&nbs

文章目录1 介绍1.1 知识图谱1.2 知识图谱补全方法1.3知识图谱补全（Knowledge Graph Completion，KGC）1.4 关系分类2 模型2.1 双线性模型2.2 核心公式2.3 负采样2.4 损失函数2.5 评价MRRMRHITS@n3 [代码](https://github.com/baharefatemi/SimplE)3.1 数据处理模块 dataset.py3.2 模型模块 model.py3.3 训练模块 Trainer.py3.4 测试模块 Test.py3.5 评价