TransE算法如何优化长尾词的嵌入表示？
- 内容介绍
- 文章标签
- 相关推荐
本文共计1639个文字，预计阅读时间需要7分钟。
介绍TransE算法（TranslatingEmb）：TransE算法是一种将知识图谱中的实体和关系转换为低维向量表示的方法。它通过将关系视为实体间的距离，将关系转换为一个向量，从而实现实体和关系的嵌入表示。这种方法在网络上有大量知识库（KBs）如OpenCyc、WordNet、Freebase、Dbpedia等应用。
介绍TransE算法（TranslatingEmbblog.csdn.net/u011274209/article/details/50991385
一、引言
网络上已经存在了大量知识库（KBs），比如OpenCyc，WordNet，Freebase，Dbpedia等等。这些知识库是为了各种各样的目的建立的，因此很难用到其他系统上面。为了发挥知识库的图（graph）性，也为了得到统计学习（包括机器学习和深度学习）的优势，我们需要将知识库嵌入（embedding）到一个低维空间里（比如10、20、50维）。我们都知道，获得了向量后，就可以运用各种数学工具进行分析。深度学习的输入也是向量。（考虑一下，word2vec，我们训练出一个向量后，可以做好多事情，深度学习的输入也往往是一个矩阵）。
二、基础背景
一条知识图谱可以表示为一个三元组(sub,rel,obj)。举个例子：小明的爸爸是大明，表示成三元组是（小明，爸爸，大明）。前者是主体，中间是关系，后者是客体。主体和客体统称为实体（entity）。关系有一个属性，不可逆，也就是说主体和客体不能颠倒过来。
知识图谱的集合，链接起来成为一个图（graph），每个节点是一个一个实体，每条边是一个关系，或者说是一个事实（fact）。也就是有向图，主体指向客体。
本文共计1639个文字，预计阅读时间需要7分钟。
介绍TransE算法（TranslatingEmb）：TransE算法是一种将知识图谱中的实体和关系转换为低维向量表示的方法。它通过将关系视为实体间的距离，将关系转换为一个向量，从而实现实体和关系的嵌入表示。这种方法在网络上有大量知识库（KBs）如OpenCyc、WordNet、Freebase、Dbpedia等应用。
介绍TransE算法（TranslatingEmbblog.csdn.net/u011274209/article/details/50991385
一、引言
网络上已经存在了大量知识库（KBs），比如OpenCyc，WordNet，Freebase，Dbpedia等等。这些知识库是为了各种各样的目的建立的，因此很难用到其他系统上面。为了发挥知识库的图（graph）性，也为了得到统计学习（包括机器学习和深度学习）的优势，我们需要将知识库嵌入（embedding）到一个低维空间里（比如10、20、50维）。我们都知道，获得了向量后，就可以运用各种数学工具进行分析。深度学习的输入也是向量。（考虑一下，word2vec，我们训练出一个向量后，可以做好多事情，深度学习的输入也往往是一个矩阵）。
二、基础背景
一条知识图谱可以表示为一个三元组(sub,rel,obj)。举个例子：小明的爸爸是大明，表示成三元组是（小明，爸爸，大明）。前者是主体，中间是关系，后者是客体。主体和客体统称为实体（entity）。关系有一个属性，不可逆，也就是说主体和客体不能颠倒过来。
知识图谱的集合，链接起来成为一个图（graph），每个节点是一个一个实体，每条边是一个关系，或者说是一个事实（fact）。也就是有向图，主体指向客体。