知识图谱中的知识表示学习（Representation Learning）

参考链接：知识表示技术

Word Representation

1. one-hot representation

长度为词典长度，每个词在词典中的位置置1，其余置0Curse of Dimension, 不适合太大的字典互相正交，难以表示词语之间的相似性

2. distributed representation(词向量)

稠密、实值、低维的向量便于Deep Learning相似度用距离表示word2vecking-queen = man-woman

Knowledge Graph

基础

结构

node = entity or classedge = relationFact

(head, relation, tail)head = subjectrelation = predicatetail = object

表示

传统使用RDF格式表示知识图谱目标: 将知识图谱编码到向量空间方法: Trans系列

1. TransE (translating embedding)

对每个三元组，关系表示成从head到tail的向量，relation看做从head到tail的翻译。

h r=th r=t

第12行是损失函数，让正例的距离趋近0，让反例的距离尽量大。使用随机梯度下降法(SGD)训练。

2. TransH (translating on hyperplanes)

TransE过于简单，很难对一对多,多对一和多对多关系建模。TransH把关系映射到另一个空间。

h丄 r=t丄h丄 r=t丄

h丄=h−(wr)Thwrh丄=h−(wr)Thwr

t丄=t−(wr)Ttwrt丄=t−(wr)Ttwr

3. TransR (translation in the corresponding relation space)

TransE和TransH中，实体和关系全都在一个平面上，然而实体和关系都是不同类型的数据，全在一个平面上不合适。

一个实体是多种属性的综合体，不同关系关注实体的不同属性。直觉上一些相似的实体在实体空间中应该彼此靠近，但是同样地，在一些特定的不同的方面在对应的关系空间中应该彼此远离。

TransR为每个关系r设置了对应的矩阵M_r和向量r，h和t通过映射矩阵M_r转换为关系r相关的实体。

hr r=trhr r=tr

hr=Mrhhr=Mrh

tr=Mrttr=Mrt

4. TransD (embedding via dynamic mapping matrix)

TransR中的映射矩阵M只和关系r有关，TransD是TransR的加强，它为每个实体和关系定义了两个向量，一个向量用来标识实体或关系的，另一个向量是projection vector，用来将实体转换为不同关系空间上的向量并用来生成映射矩阵。 TransD相比TransR/CTransR的计算，需要的属性更少，公式中没有矩阵乘以向量的运算，能运用在大规模的图计算上面。

h丄=Mrhhh丄=Mrhh

t丄=Mrttt丄=Mrtt

融合文本和知识图谱

实体融合（多种名称，一词多义）关系融合实例融合

1. 实体描述的知识表示学习模型（DKRL）

文本表示方面的2种模型 1. CBOW模型：将文本中的词向量简单相加作为文本表示； 2. 卷积神经网络（convolutional neural network, CNN）：能够考虑文本中的词序信息用于知识图谱补全

2. 文本与知识库融合的知识表示学习

TranE Word2Vec 利用word2vec学习维基百科正文中的词表示，利用TransE学习知识库中的知识表示，同时，利用维基百科正文中的链接信息（锚文本与实体的对应关系），让文本中实体对应的词表示与知识库中的实体表示尽可能接近，从而实现文本与知识库融合的表示学习

关系路径

1. Path Ranking Algorithm

对于给定的某种关系，判断两个实体之间是否有这种关系。

思路: 用连接两个实体的路径作为特征，来预测两个实体之间的关系。学习阶段分为特征抽取、特征计算和构造分类器三个部分。预测阶段是使用分类器对任务进行预测。