论文浅尝 | Complex Embeddings for Simple Link Prediction

最新推荐文章于 2025-07-18 10:35:07 发布
最新推荐文章于 2025-07-18 10:35:07 发布
阅读量6.8k 收藏 13
点赞数 4
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/tgqdt3ggamdkhaslzv/article/details/79081541
本文介绍了一种用于链接预测的复数嵌入(ComplEx)方法，旨在更好地处理知识库中的对称和非对称关系。通过复数表示，解决了实数向量表示无法有效区分非对称关系的问题。实验表明，ComplEx在对称和非对称关系的链接预测上表现出色，且在WN18和FB15数据集上优于其他模型。

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

The ́o Trouillon, Johannes Welb, Sebastian Riedel, ÉricGaussier, Guillaume Bouchard . Complex Embeddings for Simple Link Prediction. In Proceedings of the 33ndInternational Conference on Machine Learning, pages 2071– 2080 (ICML2016)

论文链接：http://proceedings.mlr.press/v48/trouillon16.pdf

在统计关系学习里，链接预测问题是自动理解大规模知识库结构的核心。为了更好得把握知识库二元关系中的对称和非对称关系，本文提出了基于复数的表示方法 ComplEx。

一些研究工作将链接预测看作是三维二元张量补全的问题，张量的每一个

最低0.47元/天 解锁文章

200万优质内容无限畅学
Non-Parametric Estimation of Multiple Embeddingsfor Link Prediction on Dynamic Knowledge Graphs
weixin_44466434的博客
09-27 386
知识图谱的动态补全
知识图谱-KGE-模型：概述【翻译模型：Trans系列】【双线性模型：DisMult、ComplEx】【神经网络模型：ConvE、CapsE】【双曲几何模型：MuRP】【旋转模型：RotatE】
u013250861的博客
11-24 2065
MuRP评分函数为 ，其中 表示在庞加莱圆盘中计算距离， 表示将庞加莱圆盘中的点映射到欧式空间， 表示对角矩阵， 表示将欧式空间中的点转移到庞加莱圆盘中， 是莫比乌斯加法，为庞加莱空间中两向量相加， 表示曲率。针对DisMult存在的问题，ComplEx把DisMult扩展到复数空间表示，并定义评分函数为 f_{r}(h,t) = Re(h^Tdiag(M_r)\bar{t}) ，其中 h, t 均用复数表示， \bar{t} 表示 t 的共轭复数，Re(\cdot) 表示取得复数的实部。
matlab实现矩阵乘法代码-complex:论文“用于简单链接预测的复杂嵌入”（ICML2016）和“通过复杂张量因子分解的知识图完成”（J
05-23
matlab实现矩阵乘法代码用于简单链接预测的复杂嵌入 该存储库包含论文中介绍的主要实验的代码： ，ThéoTrouillon，Johannes Welbl，Sebastian Riedel，ÉricGaussier和Guillaume Bouchard，ICML 2016。 ，ThéoTrouillon，Christopher R.Dance，ÉricGaussier，Johannes Welbl，Sebastian Riedel和Guillaume Bouchard，JMLR，2017年。 安装 首先克隆存储库： git clone https://github.com/ttrouill/complex.git 该代码依赖于基于theano的随机梯度下降实现。 连同其他依赖项一起安装： pip install -r requirements.txt 该代码与Python 2和3兼容。 运行实验 要运行实验，请先解压缩数据集： unzip datasets/fb15k.zip -d datasets/ unzip datasets/wn18.zip -d datasets/ 并为Fr
Complex Embeddings for Simple Link Prediction
damuge2的博客
03-14 2844
Complex Embeddings for Simple Link Prediction来源背景使用低秩正规矩阵的实部作为关系低秩分解二元多关系数据上的应用损失函数实验部分 来源 ICML 2016 Theo Trouillon ´ 1;2 THEO.TROUILLON@XRCE.XEROX.COM Johannes Welbl3 J.WELBL@CS.UCL.AC.UK Sebastian R...
图机器学习（11）——链接预测
最新发布
盼小辉丶的博客
07-18 1311
链接预测 (link prediction)，也称为图补全，是处理图时常见的问题。本节我们系统阐述了链接预测问题，通过多种示例详细介绍了链接预测的不同解决方案，展示了从基于简单指标的技术到基于嵌入的复杂技术的多元解决路径。
[论文阅读] Complex Embeddings for Simple Link Prediction
qq_31225201的博客
03-08 2192
pdf：http://proceedings.mlr.press/v48/trouillon16.pdf code：https://github.com/ttrouill/complex [ICML2016] 知识图谱可以看作是清洗过的知识库，包含实体、关系，其中实体包括头实体和尾实体。利用表示学习方法可以将实体、关系嵌入到低维实值向量中，并捕捉实体及关系中的复杂语义关系。这篇文章解决的是关系预测问题。 模型 二进制单一关系 a single type of relation 在两个实体之间的关系可以用一个
链接预测学习总结
热门推荐
chuhang123的博客
11-29 1万+
链接预测（Link Prediction）是知识图谱嵌入（Knowledge Graph Embedding）的应用之一，将知识图谱中实体和关系的内容映射到连续向量空间中，对知识图谱中的实体或关系进行预测，即（h,r,?），（?,r,t），（h,?,t）三种知识图谱的补全任务。本篇文章主要介绍基于图结构的链接预测，比较流行的方法有基于相似度的、概率统计、预处理、SVM或KNN等算法。链接预测还包括...
论文浅尝 | Temporal Knowledge Graph Completion Using Box Embeddings
开放知识图谱
11-04 1638
笔记整理：杨露露，天津大学硕士论文链接：https://www.aaai.org/AAAI22Papers/AAAI-6210.MessnerJ.pdf动机时态知识图谱补全（TKGC）中的主要挑战是额外学习时间戳嵌入，以便嵌入模型根据关系、实体和时间戳嵌入联合执行评分。本文提出了BoxTE，一个用于TKGC的盒子嵌入模型，建立在静态知识图谱嵌入模型BoxE之上。亮点本文的亮点主要包括：（1）表明 ...
论文浅尝 | 基于属性embeddings的跨图谱实体对齐
开放知识图谱
10-04 1165
论文笔记整理：谭亦鸣，东南大学博士生，研究方向为知识库问答。来源：AAAI 2019链接：https://aaai.org/ojs/index.php/AAAI/arti...
Learning Attention-based Embeddings for Relation Prediction in Knowledge Graphs Deepak
ChanYeol666的博客
01-12 1866
相关工作 现有的方法通过仅关注实体特征或以不相交的方式考虑实体和关系的特征学习KG嵌入，相反，我们提出的图注意力模型从整体上捕获了KG中任何给定实体的n跳领域中的多跳和语义相似的关系。 我们的方法 1.GAT 单个GAT层为： 输出层： 相对注意力aij是使用softmax函数计算领域中所有值的。 连接K个注意力头的多头注意力过程如下： 最后一层的输出嵌入是使用平均而不是连接操作来计算的，以实现多头注意力： 2.关系很重要 提出了一个新的嵌入方法，将关系和相邻节点特征结合到注意机制中。 定义了一个注
0422 嵌入式学习笔记（27）complex/this指针/初始化列表/析构函数
BX 0805×1005
04-22 328
构造函数特点： 1、函数名和类名相同 2、无返回值 complex(){} 1、构造函数允许重载 2、每一个类都有自带的默认构造函数 3、一旦你自己定义了构造函数，会将原本系统默认的构造函数覆盖 4、构造函数没有返回值 5、类complex的复制构造函数不能带有complex类型的参数 6、类的对象作为参数传入，会调用复制构造函数，产生新的对象 this指针 当类没有复制构造函数的时候，=的作用就只是引用（s4） 匿名对象：生命周期只存在于创建的那一行代码，超过那一行会立刻被释放 析构函数：将构造函数进行解
LinkPrediction.rar_link prediction_prediction_链路预测 python_链路预测;p
07-15
链路预测程序，Python源代码(link prediction)
基于ComplEx模型的知识图谱嵌入详解
Y-starrydreamer的博客
11-29 1530
ComplEx模型于2016年提出，主要通过复数空间中的运算来表示知识图谱中的实体和关系。与传统的实数向量表示不同，ComplEx利用复数向量表示可以捕捉到更多的关系特性。
Improving Multi-hop Question Answering over Knowledge Graphs usingKnowledge Base Embeddings
ZCS的博客
03-04 2076
知识图谱嵌入在多跳KGQA上的应用
知识图谱的几个经典模型：TransE、Trans R、ComplEx、ConvKB
guanjian6334的博客
03-23 8616
:::info 💡 这几个模型都是KG表示的经典模型，关于如何对三元组建模Embedding。以下第一个表格是关于各类建模方法中，关系是否能满足一些特性进行的汇总。 ::: 对称性：例如朋友关系。如果有h(r , t)，一定有h(t , r); 反对称性：例如购买关系与出售关系。如果有h1(r, t) ,一定有h2(t ,r); 【h1和 h2是相反方向的一对向量】 传递性：例如亲属关系，父亲的父亲是爷爷。如果有h1(r , t) 和h2(t, y),一定有h3(r , y) 一对N：例如教学关系，一个老
知识图谱-KGE-语义匹配-双线性模型-2017：Analogy【DistMult与ComplEx的合体】
u013250861的博客
12-07 1221
【paper】 Analogical Inference for Multi-relational Embeddings 【简介】 本文是卡耐基梅隆大学的中国学者发表在 ICML 2017 上的工作，提出了 ANALOGY 模型，用于建模实体和关系的推理属性。这个模型应当也算是双线性模型中比较经典的一个了，很多模型的 baseline 中都有它。核心思想就是利用矩阵的交换性约束建模平行四边形一样的类比推理属性。ANALOGY 将关系矩阵约束为正规矩阵，由于它是 "well-behaved" linear m
Python实现的图神经网络进行链接预测（link prediction）
毕业作品网站
01-15 6343
Note:程序【src/util/cora_class_one_hot_process.py】将cora数据集中cora.content中的节点label进行one-hot编码（处理后的数据集为：data/cora/cora.content_class），将其与features一起作为训练特征，这就相当于实现了条件变分自编码【conditional variational auroencoder (CVAE)】，从而在encoder与decoder中加入了节点label的限制。数据集的格式如下，具体可见。
[图神经网络论文]:Link Prediction Based on Graph Neural Networks
zerokusinage的博客
03-19 1778
论文Link Prediction Based on Graph Neural Networks笔记
A retrieve andread framework for knowledge graph link prediction
02-28
### Knowledge Graph Link Prediction Frameworks for Retrieval and Reading Knowledge graph link prediction involves predicting missing links or relationships between entities within a knowledge graph. For this purpose, several frameworks have been developed to enhance both retrieval and reading capabilities. #### 1. TransE Model TransE is one of the foundational models used in knowledge graph embedding methods. It represents each entity and relation as vectors in low-dimensional space where the score function measures how well a triplet $(h,r,t)$ holds by computing $f_r(h,t)=||\mathbf{e}_h+\mathbf{r}-\mathbf{e}_t||_2$[^1]. This model assumes that relations can be translated from head entities to tail entities through vector addition operations. #### 2. Convolutional Knowledge Graph Embeddings (ConvE) ConvE extends traditional embeddings like TransE by incorporating convolution layers over subject-predicate pairs before applying fully connected layers followed by reshaping into two-dimensional matrices. The scoring mechanism uses these transformed representations alongside object embeddings via element-wise multiplication and subsequent summation across all dimensions[^2]. ```python import torch.nn.functional as F from torch import nn class ConvE(nn.Module): def __init__(self, num_entities, num_relations, embedding_dim=200): super(ConvE, self).__init__() self.entity_embeddings = nn.Embedding(num_entities, embedding_dim) self.relation_embeddings = nn.Embedding(num_relations, embedding_dim) def forward(self, sub, rel): e_s = self.entity_embeddings(sub).view(-1, 1, 10, 20) # Example reshape r = self.relation_embeddings(rel).view(-1, 1, 10, 20) # Example reshape stacked_inputs = torch.cat([e_s, r], dim=-1) x = F.relu(stacked_inputs) return x ``` #### 3. ComplEx Model ComplEx addresses limitations found in earlier approaches such as inability to handle symmetric/antisymmetric properties effectively. By introducing complex-valued embeddings instead of real numbers only, it allows modeling asymmetric interactions more accurately while maintaining computational efficiency similar to simpler models[^3]. For applications requiring advanced reasoning tasks beyond simple triplets, architectures combining neural networks with symbolic logic offer promising solutions not covered directly here but worth exploring further based on specific requirements.
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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