transformation公式,transform 函数

　　传输嵌入数据

　　复制一个简单的python版本：复制代码

　　TransE算法用于表示图结构中节点和关系的嵌入表达式。CFKG是一种基于知识图像的推荐算法，它将实体和关系嵌入到图像中，用于后续的推荐任务等。同时TransE算法也是后面改进的TransD和TransH系列算法的基础。

　　在知识图中，一个内容可以表示为不可逆的三元组(sub,rel,obj)，其中sub和obj用节点表示，都是实体，rel用边表示，是关系)。

　　(题外话：嵌入的目的是用向量来表示上面的实体和关系。当然，通过在图中给每个节点分配数字1-n，给每条边分配(n-1)-M，即使M个数字也可以唯一地表示图中的所有内容。虽然这也是嵌入的，但是为了表达这些节点和边之间的关系，很难有更多的信息。例如，上述例子中的北京和中国应该是密切相关的。这给以后使用基于距离的模型带来了很多麻烦。因此，需要一种更有效的方法来将内容嵌入显示图像中。) )

　　在TransE算法中，由于与各节点的关系用相同长度的向量表示，所以可以在实体和关系之间进行各种向量运算。

　　为了达到上述目的，算法核心中的优化目标为，为(sub rel)得到的向量尽可能等于obj向量。

　　算法简单，具体步骤如上所述。

　　其中1-5行初始化主要参照Xavier初始化选取。

　　这个分布是初始化的，这个初始化分布的值可以参考Xavier Initialization的论文来证明。

　　第六行是随机采样minibatch变化嵌入式培训。

　　第7-11行用于这个采样的mini batches _ batch http://www . Sina . com/(损坏的三元组)，结构化过程用于给定的三元组L，T，结构化的损坏的三元组是(H(，L，T)或(H，L，T)。注意不要同时改变H和T。

　　第12幕构造"负样本"，论文采用SGD来最小化优化目标函数(或损失),并优化该函数

　　第一距离d(h1，t)是正样本之间的距离，其必须尽可能小，第二距离d(h(l，t))是假样本之间的距离，其必须尽可能大，使得总优化函数大于零。

　　优化函数中的d可以是L1距离或L2距离，这是一个超级参数。为了使整体优化函数大于零，不同的距离求解如下。

　　L1距离：

　　L2距离：

　　……

　　根据上述求导结果，可以采用随机梯度下降法对优化目标函数进行优化。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。