知識圖譜之知識表示

先上兩個狠全面的綜述或者叫總結：

• 《知識表示學習研究進展》
• 基於翻譯模型（Trans系列）的知識表示學習

然後是清華大學開源OpenKE：知識表示學習平臺

“表示學習旨在將研究物件的語義資訊表示為稠密低維實值向量，知識表示學習主要是面向知識圖譜中的實體和關係進行表示學習。使用建模方法將實體和向量表示在低維稠密向量空間中，然後進行計算和推理。”

知識表示的幾個代表模型：距離模型、單層神經網路模型、能量模型、雙線性模型、張量神經網路模型、矩陣分解模型和翻譯模型等。

對常用模型進行簡要概括：）

距離模型：

結構表示（structured embedding, SE）將頭實體向量Lh和尾實體向量Lr通過關係r的兩個矩陣投影到r的對應空間中，然後在該空間中計算兩投影向量的距離。這個距離反映了兩個實體在關係r下的語義相關度，他們的距離越小，說明兩個實體存在這種關係。SE為每個三元組（h, r, t）定義瞭如下損失函式：

翻譯模型：

TransE模型將知識庫中的關係看做實體間的某種平移向量（平移不變現象普遍存在於詞向量空間，詞彙的語義關係和句法關係中）。對於每個三元組（h, r, t），TransE用關係r的向量Lr作為頭實體向量Lh和尾實體向量Lt之間的平移，也可以將Lr看作從Lh到Lt的翻譯。對於每個三元組（h, r, t），TransE希望，TransE模型定義瞭如下損失函式，即向量Lh+Lr和Lt的L1或L2距離。在實際學習過程中，為了增強知識表示的區分能力，TransE採用最大間隔方法，定義瞭如下優化目標函式

---------------------------------------------------------------------------------------------

後續有非常多以TransE為基礎的擴充套件模型，TransH, TransR, TransD ...

具體還是看論文比較好：）