知识卡片
把推理变成向量打分
分布式表示把符号变成向量,让“推理”退化成向量运算。流程三步:定义实体与关系的表示形式(向量、矩阵或张量)、定义打分函数衡量三元组成立的可能性、构造优化问题学出低维表示。按打分函数分两族。
位移距离模型以 TransE 为代表:关系被当作头实体到尾实体的平移,h + r ≈ t,打分函数 f(h,r,t)=||h+r−t||,越接近 0 越可信。它的直观性强——中国 − 北京 = 法国 − 巴黎 = 首都,同一个关系向量在各组实体间保持一致的位移。语义匹配模型则计算头尾实体组合与关系表示的匹配程度,简单版把 h、t 组合后与 r 匹配,复杂版用神经网络,如 fr(h,t)=wᵀtanh(M₁h+M₂r+M₂t)。
用途有两类:链接预测,给缺失三元组的候选排序,取分数最高者;置信度评估,已存在但分数很低的边值得复核。边界在于位移假设较强:一个关系向量要同时适配多对多的头尾组合时容易冲突(“首都”要同时解释中国→北京、法国→巴黎),这类关系往往需要张量分解或更复杂的匹配模型。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第3章 知识图谱相关理论 · 查看原书依据
分布式知识表示(Knowledge Graph Embedding)的核心思想是将符号化的实体和关系在低维连续向量空间进行表示,在简化计算的同时最大限度地保留原始的图结构。
参考来源
- 位置:《智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)》第3章 知识图谱相关理论(源文件:extracted/智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)/_epub-src/text/part0050.html)
- 结论依据:原文说明分布式表示把实体和关系压入低维连续空间并保留图结构,因而可以用打分函数衡量三元组是否成立。
- 原始内容:分布式知识表示(Knowledge Graph Embedding)的核心思想是将符号化的实体和关系在低维连续向量空间进行表示,在简化计算的同时最大限度地保留原始的图结构。