Внедрение графа знаний
-
Основы встраивания графа знаний
- Граф знаний — это структура, которая описывает отношения между сущностями и их атрибутами.
- Встраивание графа знаний — это процесс преобразования графа знаний в векторное представление для упрощения вычислений.
-
Методы встраивания
- Транслирование: основано на векторном сложении для представления отношений между сущностями.
- Геометрические модели: используют геометрические преобразования для точного представления отношений.
- Чисто трансляционные модели: основаны на трансляционной инвариантности для точного представления отношений.
- Транш: вводит гиперплоскости для представления различных типов отношений.
- TransR: разделяет семантическое пространство сущностей и отношений для более точного представления.
- TransD: использует два вектора для динамического отображения вместо матрицы проекции.
- Перевод: вводит адаптивное расстояние Махаланобиса и эллиптические поверхности для улучшения точности.
-
Трансляционные модели с дополнительными вложениями
- STransE: сочетает TransE и структурное встраивание для лучшего представления отношений.
- Перекрестные взаимодействия: отбирают связанную информацию и могут быть закодированы в нейронной сети.
-
Роторно-трансляционные модели
- TorusE: использует компактные группы Ли для избегания регуляризации и определения функций расстояния.
- Поворот: использует продукт Адамара для представления отношений как вращений в комплексном пространстве.
-
Модели глубокого обучения
- Сверточные нейронные сети: используют сверточные слои для изучения сложных структур с небольшим количеством параметров.
- ConvE: представляет собой компромисс между выразительностью и вычислительной стоимостью, используя в 8 раз меньше параметров, чем DistMult.
- Пересказана только часть статьи. Для продолжения перейдите к чтению оригинала.