链接预测
本文参考基于知识图谱嵌入的链接预测综述
原论文链接Knowledge Graph Embedding for Link Prediction: A Comparative Analysis
原论文代码地址research.lpca
项目中给了综述中提到的算法论文地址和代码链接，非常适合LP方向的同学学习。
文章目录
*
– 链接预测
* 一、方法概述
* 二、张量分解模型
*
– 事实的得分
* 三、几何模型
*
– 评分函数
* 四、深度学习模型
* 六、总结
什么是链接预测？
链接预测(Link Prediction, LP)是一种根据KG中已存在的实体去预测缺失事实的任务，是一种有前途的、广泛研究的、旨在解决KG的不完整的任务。
链接预测本质是什么任务？
知识图谱补全或知识图谱增强任务。
- 之前的方法：一般是从外部源(如Web语料库)提取新的事实，或者从KG中已经存在的事实推断缺失的事实，来增长现有的KG。
- 目前：绝大多数LP模型使用原始的KG元素来学习低维表示，称为知识图谱嵌入，然后利用它们来推断新的事实。
一、方法概述
这篇文章提出了一种新的分类法，概述它们高度不同的特征，如图1所示。
- 列出了 三个主要的系列模型，并进一步将它们划分为更小的组，以独特的颜色标识。
- 对于每个组都包括最有效的代表性模型，优先考虑那些达到最先进性能的模型，并且在任何可能的情况下，优先考虑那些具有公开可用实现的模型。结果是一组16个模型，基于极其多样化的架构；这些是我们随后在比较分析的实验部分所使用的模型。
- 对于每个模型，添加了 发表的年份以及从其他模型得到的信息。
作者认为，这种分类有助于理解这些模型和在我们的工作中进行的实验。表1报告了关于所包括的模型的进一步信息，例如它们的损失函数和空间复杂性。我们确定了三大类模型:1) 张量分解模型;2) 几何模型;3) 深度学习模型。
; 二、张量分解模型
隐式地将KG考虑为一个三维邻接矩阵(即一个 3维张量)，由于KG的不完整性，这个邻接矩阵只有部分可观测。张量被分解成低维向量的组合(比如一个多线性乘积):这些向量被用作实体和关系的嵌入表示。
核心思想：
只要训练集训练不过拟合，则学习到的嵌入应该能够泛化，并将高值与图邻接矩阵中不可观测的真实事实相关联。
事实的得分
事实得分通过对事实中涉及的特定嵌入进行组合计算得出的；通过优化所有训练事实的评分函数，可以像往常一样进行学习嵌入。
这些模型倾向于使用很少或根本没有共享参数；这使得它们特别容易训练。
三、几何模型
几何模型将关系解释为潜在空间的几何变换。主要形式为：h + r = t h+r=t h +r =t
对于给定的事实，头实体嵌入进行空间转换τ，使用嵌入的关系作为参数的值。
评分函数
对事实评分的值是结果向量和尾向量之间的距离；这样则可以使用距离函数计算δ(例如L1和L2范数)。
ϕ ( h , r , t ) = δ ( τ ( h , r ) , t ) \phi(h,r,t)=\delta(\tau(h,r),t)ϕ(h ,r ,t )=δ(τ(h ,r ),t )
四、深度学习模型
神经网络学习参数，如权重和偏差，它们结合输入数据，以识别显著模式。深度神经网络通常将参数组织成独立的层，通常穿插非线性激活函数。
在LP任务中，通常结合各层的 权重和偏差来学习KG嵌入；这些共享的参数使这些模型更有表现力，但可能导致参数更多，更难训练，更容易过拟合。
- H@1 YAGO3-10数据集上每个LP模型的结果，以及相应的测试事实的累积分布
更多实验结果请参考原文。
; 六、总结
这篇文章是第一个提出了基于KG嵌入的LP模型的第一个广泛的比较分析的工作。
这篇论文的贡献：
- 这项工作调查了代表不同技术和体系结构的16个LP模型，并在文献中最流行的5个数据集上分析了它们的效率和有效性。
- 引入了一组表征训练数据的结构特性，并且已经显示出有力的实验证据，它们对预测性能产生了至关重要的影响。为此，我们调查了允许模型令人满意地运行的情况，同时确定了仍有改进空间的领域。
- 全面讨论了当前的评估实践，验证了它们可以依赖于不同的低级策略，从而产生无与伦比的，在某些情况下会产生误导性的结果。并分析了使模型对这些策略最敏感的组件，为将来的研究提供了有用的观察结果。
Original: https://blog.csdn.net/weixin_38666123/article/details/115208103
Author: Charles1999
Title: 链接预测(Link Prediction)
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/555122/
转载文章受原作者版权保护。转载请注明原作者出处！