知识表征学习:TransG模型解析

在本节课中我们将讨论知识表征学习TransG模型的算法及实现原理。TransG模型是原始TransE模型的改进,能够解决知识图谱中一个关系存在多个语意的问题。

讲师:   龚力

知识表征学习——TransG模型解析

课程背景:

在知识表征学习的课程里,我们介绍了很多用来建立知识图谱的模型,其中就包括TransE模型以及其改进版TransG模型。而今天我们就来着重讨论下,TransG模型到底强在何处,以及这个模型究竟是怎么实现的。

相比于TransE,TransG模型解决了一个关系存在多个语意的问题。即同一个关系语句,关系本身是具有多种含义(语意)的。

举个例子来说:

下图是使用TransE模型分类的结果,我们可以看到,在同一个“Has Part”关系里,存在有(Brain,Stem)以及(Atlantic,New York Bay)这样的实体。

屏幕快照 2017-06-05 上午10.57.08.png

粗略看来,大脑与脑干,太平洋与纽约湾确实是“Has Part”的关系,但是如果更准确的来分,大脑与stern的关系应该是组成部分(Composition),太平洋与纽约湾的关系应该是位置从属(Location)。

屏幕快照 2017-06-05 上午10.57.19.png

这就是在同一个关系语句(Has Part)里,存在多种语意(Composition,Location)的情况。而大多数的关系都存在有多个语意。

图片 1.png

TransE无法在一个关系语句里发掘出多种语意,所以这时候我们就需要使用TransG了。

课程资料:

课程讲稿:

TransG.pdf

参考文献:

TransG _A_Generative_Model_for_Knowledge_Graph_Embedding.pdf

课程大纲:

1.TransG模型要解决的问题

2.一个关系存在多种语意的原因

3.TransG模型原理分析

4.狄利克雷过程、中国餐馆问题

5.TransG模型的训练方法

相关课程:

如果你对知识图谱或者知识表征学习还不熟悉,可以先了解下知识图谱和知识表征学习的概念:

image.png

知识图谱与表示学习——张江


如果你对知识表征学习的多种实现模型感兴趣,下面的课程中介绍到了多种实现模型。

包括基于神经网络的SLM、SMEN等,以及基于翻译的TransE,TransR,KG2E等。

image.png

知识表征学习简介——原理及实现方法


讲师介绍
龚力

北京师范大学系统科学学院硕士研究生,彩云小译的开发者之一。研究兴趣:机器翻译、语音识别及其应用。