知识表征学习:TransG模型解析

本课程主要讨论了知识表征学习TransG模型的实现原理,以及它是如何解决知识图谱中一个关系存在多个语意的问题的。(课时:48 分钟)

知识图谱 表征学习 TransG算法 节点嵌入

讲师:   龚力

课程资料

  • 讲稿下载:(报名后可见)

  • 参考文献:(报名后可见)

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。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。

课程目的

学完本课程,你能做到

  • 了解 TransE 模型的缺点

  • 了解 TrnasG 模型是怎样解决关系多语义问题的,它的原理是什么

课程详情

本课程的主要内容有:

  • TransG模型要解决的问题

  • 一个关系存在多种语意的原因

  • TransG模型原理分析

  • 狄利克雷过程、中国餐馆问题

  • 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