Procesamiento: representación y razonamiento del conocimiento
Incruste vectores de entidad en un espacio vectorial denso de baja dimensión y luego realice cálculos y razonamientos.
Transición: incrustación de datos multirrelacionales
Incrustando entidades y relaciones en el mismo espacio vectorial de baja dimensión
Construya un sistema simple y fácil de ampliar modelo a Las entidades y relaciones en la base de conocimiento se asignan a un espacio vectorial de baja dimensión para calcular las relaciones implícitas.
TransH: incrustar conocimiento en hiperplanos
Las entidades y relaciones están incrustadas en el mismo espacio vectorial, pero las entidades tienen diferentes representaciones en diferentes relaciones.
Para modelar relaciones entre entidades en la base de conocimientos, especialmente relaciones de uno a muchos, de muchos a uno y de muchos a muchos, se diseña un método mejor para establecer clases negativas para el entrenamiento.
TransR: Las entidades y relaciones se integran por separado.
Las entidades y relaciones están integradas en diferentes espacios y la traducción se implementa en el espacio de relación correspondiente.
Una entidad es una combinación de varios atributos, y diferentes relaciones se centran en diferentes atributos de la entidad.
Intuitivamente, algunas entidades similares deberían estar cercanas entre sí en el espacio de entidades, pero de manera similar, en el espacio de relaciones correspondiente, deberían estar alejadas entre sí en algunos aspectos diferentes específicos.
TransD: Incrustación mediante matriz de mapeo dinámico
Las entidades y relaciones se asignan a diferentes espacios, utilizando dos vectores para representar entidades o relaciones, y uno (h, r, t) para representar entidades o relaciones. La relación, la otra (hp, rp, tp) se utiliza para construir la matriz de mapeo dinámico.
Reducción de parámetros basada en TransR
TransA: función métrica adaptativa
Reemplace la función métrica, trate cada dimensión en la representación vectorial de manera diferente y aumente la representación del modelo capacidad.
Resuelve el problema de que los métodos de representación del conocimiento basados en la traducción simplifican demasiado la medición de pérdidas y no tienen la capacidad suficiente para medir/representar la diversidad y complejidad de entidades/relaciones en la base de conocimiento.
TranSpare: Matriz de transformación dispersa adaptativa
Para las relaciones entre entidades de diferentes dificultades, se utilizan matrices con diferentes escasez (diferentes números de parámetros) para representarlas y evitar un ajuste insuficiente. Relaciones complejas o relaciones simples sobreajustadas;
Las entidades de cabeza y cola utilizan diferentes matrices de proyección para resolver el problema de números desiguales de entidades de cabeza y cola.
Solución al problema:
1. Heterogeneidad: algunas relaciones entre entidades son muy complejas y conectan muchas entidades diferentes, mientras que otras relaciones entre entidades son muy simples.
2. Desequilibrio: El número de caras y cruces conectadas por muchas relaciones es muy desigual.
Modelo de mezcla gaussiana
El modelo de mezcla gaussiana no paramétrica bayesiana se utiliza para generar múltiples partes de traducción para una relación, obteniendo la mejor parte en función de la semántica específica del triplete.
Resuelva el problema de la semántica de relaciones múltiples, la misma relación tiene semánticas diferentes
KG2E: representación gaussiana por pasos de entidades y relaciones
Utilice la distribución gaussiana para representar entidades y relaciones.
Se propone utilizar la covarianza de la distribución gaussiana para representar la incertidumbre de entidades y relaciones, lo que mejora la precisión de los modelos existentes en predicción de enlaces y clasificación triple.
Referencia: /WP_csdn/article/details/79607727