论⽂解读：（TransD ）KnowledgeGraphEmbeddingviaDynami 。。。论⽂解读：（TransD ）Knowledge Graph Embedding via Dynamic Mapping Matrix
知识图谱作为⼈⼯智能应⽤的重要资源，表⽰学习对知识图谱的完善和应⽤⾄关重要。先前提出的TransE、TransH、TransR模型对表⽰学习提升不少，表⽰学习对关系抽取、三元组分类以及链接预测等⽅⾯具有作⽤。TransD模型改进TransR，认为不同的实体应映射到不同的语义空间中，且减少了计算量。
highlander⼀、简要信息
序号
属性值1历年考研英语国家线
模型名称TransD 2
orange flower所属领域⾃然语⾔处理3
研究内容知识表⽰4
核⼼内容knowledge embedding 5
superiortoGitHub源码或6论⽂PDF )
⼆、摘要与引⾔
知识图谱对于⼤量的⼈⼯智能应⽤来说是⾮常有⽤的资源，但是其距离完善还有⼀段距离。先前的⼯作例如TransE、TransH和TransR，认为头实体到尾实体可以被认为是⼀种翻译，且CTransR获得最优效果。本⽂，我们提出⼀个细粒度模型，叫TransD，且相⽐之前的模型有所提⾼。在TransD中，我们使⽤两个两个想来来表征两个实体（头实体和尾实体）。⾸先第⼀个向量表征实体关系，另⼀个被⽤来构建动态映射矩阵。相⽐TransR/CTransR模型，TransD不仅考虑到关系的多样性，也考虑到实体的多样性。TransD有较少的参数，且TransD参数较少，没有矩阵向量乘法运算，可以应⽤于⼤型图数据。实验中，我们在两个标准任务上评估了我们的模型。评估的结果表明我们的⽅法⽐最优模型更好。
会计舞弊 像WordNet、FreeBa、YaGo⼀样的知识图谱在许多AI应⽤，例如关系抽取、问答等。这些通常包含⼤量的结构化数据，形如即 。TransR模型包含如下⼏个缺点：
horizontalaccuracy
（1）对于特定的关系 ，所有实体共享同⼀个语义空间 。因此实体需要映射到不同的语义空间中；
（2）实体和关系的投影操作是⼀个连续迭代的操作，仅依靠关系进⾏推理是不⾜的；
ava是什么意思
（3）矩阵向量带来⼤量的参数运算量。
三、相关⼯作与主要贡献
相关⼯作部分由于和TransH⽂章⼀样，请直接阅读【】的相关⼯作部分。
四、算法模型详解（TransD ）
本⽂提出⼀种全新的⽅法TransD来为图谱进⾏建模。如图所⽰
(headentity ,relation ,tailentity )(h ,r ,t )r M r
我们定义了两个向量，第⼀个向量表征实体或关系的语义，另⼀个向量（投影向量）表⽰如何将实体从实体空间映射到关系空间中，因此每个实体对有唯⼀的矩阵。 分别是实体 的映射矩阵， 及关系 为投影向量， 分别为头尾实体的投影向量。因此有： 分析上式，实体投影矩阵主要与当前实体对中的关系和实体有关，相⽐TransR模型，每个实体所在的投影空间不相同。损失函数如下所⽰： 负采样的策略与TransH和TransR相同。
sour是什么意思五、实验及分析
数据集包括四个，分别如图所⽰：
实验包括两个部分：
heavy是什么意思
M ,M rh rt h ,t h
,t (i =ip ip 1,2,3)r p h ,t i ⊥i ⊥M =rh r h +p p T I m ×n
M =rt r t +p p T I m ×n
h =⊥M h
rh t =⊥M t
rt f (h ,t )=−∣∣h +r −t ∣∣r ⊥⊥2六月 英文
2
L =[γ+(h ,r ,t )∈S ∑(h ,r ,t )∈S ′′′∑
f (h ,t )−r f (h ,t )]r ′′+
（1） 三元组分类：任务给定三元组，判定当前三元组是否正确。实验结果如图所⽰：
（2）链接预测：给定实体和关系，预测另⼀个实体。实验结果如图所⽰：
