论文笔记：Representation Learning of Knowledge Graphs with Entity Descriptions

文章目录

• 一、摘要
• 二、简介
• 三、方法
• 词袋模型编码器
• CNN编码器
• 四、实验结果

一、摘要

文章提出了一种结合【实体外部描述】和【三元组】的知识图谱表示学习方法。在【知识图谱补全】和【实体分类】两个任务上取得了很大的提升。并且很重要的一点是，该方法能够自然地解决【实体不在图谱中的问题】。

二、简介

文章使用了两种表示方法进行知识图谱表示：

• 基于结构的表示方法，如Trans-E等。
• 基于描述的表示方法，利用对实体或者关系的自然语言描述生成的表示。

三、方法

文章在相同的向量空间中学习两类实体表示，具体的方法是通过优化下式

其中$E_S$是Trans-E等方法的优化目标，而


用来对其两个表示的空间。

基于结构的表示方法，如Trans-E就不做介绍。而基于描述的表示方法，文章给出了两种。

词袋模型编码器

这里首先我们拥有头实体和尾实体的描述信息，然后通过TF-IDF等算法对描述中的词进行排序找到【关键词】，将关键词的embedding加起来得到实体的embedding

CNN编码器

四、实验结果

来源：https://blog.csdn.net/Wangpeiyi9979/article/details/102758712