Paper地址

1 目標

學習三元組的向量表達

2 算法

大致思路:

• 初始化+歸一化
• 遍歷數據
  • 構造錯誤樣本
  • 訓練計算loss函數
• 根據loss優化三元組的向量表達

3 優化方法

這個是loss函數的計算方法和負樣本的挑選方法

• loss函數(優化目標):正確的三元組比假造的三元組頭向量+關系向量-尾向量的差小，優化正確三元組的$ d(h+l,t) $減去假的三元組的$ d(h^{’}+l,t{’}) $
• 假的三元組的生成是隨機替換正確的三元組的頭或者尾部,不同時替換。
• 學習的目標是向量表達，所以迭代一次，計算loss，loss是代表正確樣本和錯誤樣本的距離差，這個值是個負數，越小代表約好，所以根據loss優化三元組的向量表達。

4 實驗

將上述embedding做鏈接預測

疑問：測試數據如何構成，測試數據從哪里來？
https://github.com/thunlp/OpenKE

這里面說到去掉了訓練集中出現的可能測試集會出現的三元組，所以說測試集就是另外一部分三元組的數據，從訓練集中剝離出來了，然后拿訓練集的數據做訓練，測試集直接拿score做排序，然后計算@hist10得到評分，所以鏈接預測就是學了個embedding，然后直接就排序了，如何體現是預測不存在的關系呢？難道把top5的都當作正確的關系？？？

總結

以上是生活随笔為你收集整理的TransE解读的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。