一、KGE簡介

目前(2020.03)知識圖譜嵌入研究方法眾多，本文將對其中的主流方法進行簡要介紹，如翻譯、雙線性、神經網絡、雙曲幾何、旋轉等。各方法細節請看原論文，文中錯誤歡迎指出，謝謝。

知識圖譜嵌入(Knowledge Graph Embedding, KGE)學習知識庫中的實體和關系的Embedding表示，是語義檢索、知識問答、推薦等眾多應?的基礎研究。在具體了解KGE之前，我們先來看知識圖譜是什么，為什么又要做知識圖譜嵌入呢。

如下圖所示，知識圖譜是由大量的事實三元組組成，如（英國, 首都, 倫敦）便是真實世界中的知識，可用 (h,r,t) 進行表示，其中 h,t 表示頭尾實體， r 表示關系。但我們知道，真實世界中知識是無限增長的，而知識圖譜卻不能包含真實世界中的所有知識，因此需在知識庫中進行知識補全，或者稱為鏈接預測。

如何進行鏈接預測呢？一個可行的方法便是將實體和關系進行Embedding表示，類似于Word2Vec，將字或詞表示成Embedding信息。然后根據實體和關系的Embedding信息進行預測，比如利用頭實體和關系去預測尾實體，或者利用尾實體和關系去預測頭實體。當然，Embedding信息也可應用到其他領域，比如知識問答、文本信息增強、語義檢索等。

二、KGE損失函數

總結

以上是生活随笔為你收集整理的知识图谱-KGE-模型：概述【KGE模型充当打分函数的作用】【负采样】【不同模型在不同KG上的表现不一致，需要尝试对比】的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。