基于翻译的模型-TransE,TransH,TransR,TransD

2021-04-30 18:59:42 阅读：374 来源： 互联网

标签：关系映射模型实体 TransR textbf TransH TransD 向量

基于翻译的模型

TransE模型

TransE认为在知识库中，三元组<h,r,t>可以看成头实体h到尾实体t利用关系r所进行的翻译。
比如，<柏拉图，老师，苏格拉底>头实体“柏拉图”的向量加上关系“老师”的向量，应该尽可能和尾实体“苏格拉底”的向量接近，也就是h+r≈t

f r ( h , t ) = ∣ ∣ h + r − t ∣ ∣ l 1 / l 2 L = ∑ ( h , r , t ) ∈ S ∑ ( h ′ , r ′ , t ′ ) ∈ S ′ [ γ + f γ ( h , t ) − f r ( h ′ , t ′ ) ] + f_r(\textbf h,\textbf t)=||\textbf h + \textbf r -\textbf t||_{l_1/l_2}\\ L=\sum_{(h,r,t) \in S}\sum_{(h^{'},r^{'},t^{'})\in S^{'}}[\gamma + f_\gamma( \textbf h, \textbf t) - f_r(\textbf h^{'}, \textbf t^{'})]_+ fr(h,t)=∣∣h+r−t∣∣l1/l2L=(h,r,t)∈S∑(h′,r′,t′)∈S′∑[γ+fγ(h,t)−fr(h′,t′)]+

γ是间隔参数，S是正例集合（知识库中已有的三元组），S’是负例集合（关系r的三元组头尾实体进行随机构造）。
[ X ] + [X]_+ [X]+表示正值函数，即X>0,时， [ X ] + [X]_+ [X]+=x；当X<=0时， [ X ] + [X]_+ [X]+=0
但是这个模型只能处理一对一的关系，不适合一对多/多对一关系
- 比如多对一关系，比如<帕拉图，性别，男> <特朗普,性别，男>，两个三元组有着相同的关系和尾实体，导致帕拉图跟特朗普的向量相近。两者除了性别相同，在其他方面显然完全不同。

TransH模型

放宽了h+r≈t这一严格约束，只要求头尾实体在关系r相对应的超平面上的投影彼此接近即可。
头实体向量h和尾实体向量t在超平面上利用法向量 W r W_r Wr映射为

h ⊥ = h − W r T h W r 和 t ⊥ = t − W r T t W r h_\bot=h-W_r^ThW_r和t_\bot=t-W_r^TtW_r h⊥=h−WrThWr和t⊥=t−WrTtWr

关系r在超平面上的向量表示为 d r d_r dr
f r ( h , t ) = ∣ ∣ ( h − W r T h W r ) + d r − ( t − W r T t W r ) ∣ ∣ l 1 / l 2 f_r(h,t)=||(h-W_r^ThW_r)+d_r-(t-W^T_rtW_r)||_{l_1/l_2} fr(h,t)=∣∣(h−WrThWr)+dr−(t−WrTtWr)∣∣l1/l2

TransR模型

在TransE模型和TransH模型中，实体和关系都在相同的空间进行表示。这种做法无法区分两个语义相近的实体在某些特定方向（关系）上的不同。
比如，“马克思”和“恩格斯”可以认为是两个相似的实体，但是<马克思，民族，犹太民族>和<恩格斯，民族，德意志民族>不同。
因此TransR提出为每个关系构造相应的向量空间。（注意，TransH模型下是超平面）
具体地说，TransR模型将头实体向量h和尾实体向量t映射为 h r = M r h h_r=M_rh hr=Mrh和 t r = M r t t_r=M_rt tr=Mrt。因此，TransR模型的损失函数为: f r ( h , t ) = ∣ ∣ h r + r − t r ∣ ∣ l 1 , l 2 f_r(h,t)=||h_r + r - t_r||_{l_1,l2} fr(h,t)=∣∣hr+r−tr∣∣l1,l2

TransR缺点

模型利用了复杂的矩阵计算，将头尾实体映射到关系向量空间中，增加了计算复杂度。
其次，对于一个三元组来说，头实体和尾实体很可能不是一个实体。
- 比如，<帕拉图，出生地，希腊>。“柏拉图”，“希腊”是两个不同的实体，使用相同的映射矩阵 M r M_r Mr很明显不合理。
最后，Trans模型中实体的映射关系仅由关系决定，但显然实体本身对映射也有影响。

TransD模型

TransD模型认为映射函数应该与实体、关系同时相关。
TransD模型修改了映射函数。对于头尾实体向量h和t，它们的映射函数分别是

M r h = r p h P T + I m × n , M r t = r p t p T + I m × n M_{rh}=r_ph_P^T+I^{m\times n},M_{rt}=r_pt_p^T+I^{m\times n} Mrh=rphPT+Im×n,Mrt=rptpT+Im×n

其中， I m × n I^{m\times n} Im×n是单位矩阵。在这里，头实体和尾实体分别用两个不同的映射矩阵 M r h M_{rh} Mrh和 M r t M_{rt} Mrt进行投影。头实体的映射矩阵由关系向量 r p r_p rp与头实体映射向量 h p T h^T_p hpT 共同决定；尾实体的映射矩阵由关系向量 r p r_p rp与尾实体映射向量 t p T t_p^T tpT共同决定。那么映射后得到的头实体和尾实体向量分别为：

f r ( h + t ) = ∣ ∣ h ⊥ + r − t ⊥ ∣ ∣ l 1 / l 2 f_r(h+t)=||h_{\bot}+r-t_{\bot}||_{l_1/l_2} fr(h+t)=∣∣h⊥+r−t⊥∣∣l1/l2

下表p表示投影向量，h, h p h_p hp,t, t p ∈ R n t_p\in \mathbb{R}^n tp∈Rn,r, r p ∈ R r_p\in \mathbb{R} rp∈R
映射矩阵的每一个元素都包含了实体和关系信息。

标签：关系,映射,模型,实体,TransR,textbf,TransH,TransD,向量
来源： https://blog.csdn.net/AiBigData/article/details/116308149