表示学习又称表征学习( Representation learning) ， 主要是利用机器学习技术自动获取每个实体或者关系的向量化表达， 旨在将描述对象表示为低维稠密向量( 即 分布式向量) 。
分布式表示的对象均被表示成一个低维的稠密、实值向量， 利用对象在空间的相对距离， 反映它们之间的语义关系。两个对象离得越近， 说明关系越紧密， 两个对象离得越远， 说明它们之间没有太强的关系。
将表示学习应用于知识表示中称之为知识表示学习或知识图嵌入。
知识表示学习是将知识库中的实体和关系嵌入到连续的向量空间中， 以便简化操作， 同时保持知识图谱的结构。
从形式上知识表示学习主要可以分成两类:
从发展来看， 目前知识表示学习的研究进程主要可以分成两个阶段， 以 2013 年 Borders 等人受Mikolov 发现的词向量空间中存在的平移不变性这一有趣现象的启发， 从而提出的 TransE 模型为分割。
- 在 TransE 之前主要包括结构表示、能量模型、矩阵分解模型等。
- 在 TransE 之后， 人们陆续提出了在其基础上加以改进的新Trans系列模型以及ConvE、ConvKB 和添加卷积的新模型
优势：生成知识表达时能够充分利用知识图谱已有的结构化信息
缺点：建模方法着眼于实体
Original: https://blog.csdn.net/u013250861/article/details/115395434
Author: u013250861
Title: 自然语言处理(NLP)-知识图谱：知识表示学习（知识图嵌入）—-＞ 知识推理【TransE系列模型】【第三方库：OpenKE（清华大学开源）】
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/556442/
转载文章受原作者版权保护。转载请注明原作者出处！