本文分享一篇知識(shí)圖譜表示學(xué)習(xí)匯報(bào)ppt，將知識(shí)圖譜表示學(xué)習(xí)方法粗略分為四大類(lèi)，涉及將近30篇優(yōu)秀論文，只簡(jiǎn)單介紹其核心思想，完整匯報(bào)ppt獲取請(qǐng)關(guān)注公眾號(hào)回復(fù)關(guān)鍵字：知識(shí)圖譜表示學(xué)習(xí)

1、翻譯距離模型：包括TransH、TransR、TransD、TranSparse、TransM、MianfoldE、TransF、TransA、KG2E、TransG、UM、SE模型等；

2、語(yǔ)義匹配模型：包括RESCAL、DistMult、HoLE、ComplEx、ANALOGY、SNE、NTN、MLP、NAM模型等；

3、隨機(jī)游走模型：包括DeepWalk、LINE、node2vec模型等；

4、子圖匯聚模型：包括GCN、GAT、GraphSage模型等。

Motivation

知識(shí)圖譜是由實(shí)體（節(jié)點(diǎn)）和關(guān)系（不同類(lèi)型的邊）組成的多關(guān)系圖，每條邊連接頭尾兩個(gè)實(shí)體，通常用SPO三元組進(jìn)行表示（subject,predicate, object），被稱(chēng)為一個(gè)事實(shí)。雖然知識(shí)圖譜在表示結(jié)構(gòu)化數(shù)據(jù)方面很有效，但這類(lèi)三元組的潛在符號(hào)特性通常使得KGs很難操作。

因此知識(shí)圖譜表示學(xué)習(xí)便成為了一個(gè)熱門(mén)的研究方向，知識(shí)圖譜嵌入的關(guān)鍵思想是將圖譜中的實(shí)體entity和關(guān)系relation轉(zhuǎn)化為連續(xù)的向量，在保留KG原有結(jié)構(gòu)的同時(shí)使得操作方便。于是便可將entityembedding和relationembedding用到下游各種任務(wù)中，例如圖譜補(bǔ)全，關(guān)系抽取，實(shí)體分類(lèi)，實(shí)體鏈接及實(shí)體融合等

知識(shí)圖譜嵌入技術(shù)經(jīng)典三個(gè)步驟：

1、representingentities and relations

2、defininga scoring function

3、learningentity and relation representations（最大化所有觀測(cè)事實(shí)的置信度plausibility）

根據(jù)scoringfunction區(qū)別分為distance-based scoring functions和similarity-based scoring functions

Papers

責(zé)任編輯：xj

原文標(biāo)題：【知識(shí)圖譜系列】知識(shí)圖譜表示學(xué)習(xí)綜述 | 近30篇優(yōu)秀論文串講

文章出處：【微信公眾號(hào)：深度學(xué)習(xí)自然語(yǔ)言處理】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。