weixin_41360609的博客

HolE（这是一篇小白入门笔记，请勿转载，感谢指正！）Holographic Embeddings（HolE）是一种基于语义相似度的模型。RESCAL实体是由复杂多重关系相互联系在一起的，实体之间和关系之间直接的关联关系不仅对其本身起作用，还可以发生传递得到新的关系。为了检测出这些关系，参照集体分类（collective classification）的方法，提出了集体学习（collective learning）对实体进行分析，以充分利用相关实体提供的信息。这一方法还被用于预测链接等学习任务。为了

知识图谱表示学习-TransE算法表示学习知识图谱表示学习TransE（这是一篇小白入门笔记，请勿转载）表示学习表示学习是一个利用模型自动地学习数据的隐式特征的过程，以此来计算得到对学习对象来说相比原始数据更好的表示形式，是一种数据预处理方法，帮助剔除数据中的无效信息，以便在后续训练任务中更有效地利用数据的有用特征。表示学习算法的结果是用低维实值稠密向量，即表示对象的分布式表示（distributed representation），将语义信息分布式存储于各维度中。原始数据和经人工简单加工得到的数

MTransE（这是一篇小白入门笔记，请勿转载，欢迎指正！）之前介绍的这些模型都是对单一语言的知识图谱做嵌入的工作。而由于实际生活中的知识、知识库都是由各种不同的语言构建的，要将他们融合起来就需要完成跨语言的知识实体对齐工作，通过实体对齐进行跨语言知识图谱融合，帮助计算机提取出在不同的语言体系下语义相一致的实体和关系所具备的不同表达，以及跨语言实体更为充分的特征信息。多知识图谱表示学习基于实体嵌入学习的实体对齐模型通常有几种解决问题的方式，一种是在开始训练以前先将已预先对齐的实体合并，将两张知识图谱

TransD（这是一篇小白入门笔记，请勿转载）简介在实际情况中，实体和关系分属于不同的空间，且不同的实体所在实体空间各有不同。一个三元组中的头实体和尾实体的属性和特征可能大相径庭，那么它们使用的映射矩阵也应该不同。因此，2015 年 Ji 等人提出的 TransD 模型提供两个动态投影矩阵分别投影头实体和尾实体，且这两个映射矩阵由实体和关系共同确定，使得它们互不相同又相互作用。TransD 不仅考虑到了关系的多样性，也考虑到了实体的多样性。每个实体和关系都由两个向量来表示，一个描述实体或关系的语义

TransH目录TransH简介缺陷简介为了改善 TransE 在建立复杂关系模型上的不足，在 TransE 的基础上提出了 TransH 算法[22]。TransH 引入了超平面，将关系定义在超平面上，将实体投影到了超平面上。这样对于相同实体，在不同关系下，他们在超平面的上的关系可以同时成立，使得同一实体在不同关系或三元组中所代表的意义可以不同，相当于实体拥有了分布式表示。这就帮助模型解决了多对一、一对多、多对多关系建模的问题。TransH 定义了一个超平面法向量 Wr，Wr 为单位向量。对于一个