knowledge graph embedding
Teknik der repræsenterer entiteter og relationer i en videnstruktur (knowledge graph) som vektorer i et kontinuerligt rum.
Kort fortalt
Knowledge graph embedding oversætter symbolsk viden til tal, så maskiner kan lære mønstre og forudsige nye sammenhænge.
- Kategori
- teknik
- Niveau
- øvet
Betydninger
1- 1
En metode til at kortlægge entiteter og relationer i en knowledge graph til tætte, lavdimensionelle vektorer, således at semantiske og strukturelle egenskaber bevares.
- Knowledge graph embedding gør det muligt at forudsige manglende relationer i en vidensgraf.
- Ved hjælp af knowledge graph embedding kan entiteter sammenlignes i vektorrum.
Hvornår bruges det
Bruges i opgaver som linkforudsigelse, entitetsklassifikation og relationsekstraktion. Ofte anvendt i anbefalingssystemer og spørgsmålsbesvarelse.
Formel
TransE: f(h,r,t) = ||h + r - t||Kodeeksempel
from pykeen.pipeline import pipeline
result = pipeline(
dataset='Nations',
model='TransE',
training_kwargs=dict(num_epochs=10),
)Eksempel på træning af en TransE-embedding med PyKEEN.
Oprindelse
Udtrykket opstod med fremkomsten af vektorrepræsentationer for viden i midten af 2010'erne, især med TransE-modellen (Bordes et al., 2013).
Afledte ord
2Kilder
2- Translating Embeddings for Modeling Multi-relational Data (Bordes et al., 2013)
- Knowledge Graph Embedding: A Survey of Approaches and Applications (Wang et al., 2017)