ScholarGate
Assistent
Machine learningGraph representation

Knowledge Graph Embeddings (TransE and beyond)

Forestil dig at placere lande, hovedstæder og relationen 'er-hovedstad-i' på et kort. TransE siger: hvis du starter ved vektoren for Frankrig og går i retningen mærket 'hovedstad', bør du lande nær Paris. Entiteter er punkter; relationer er pile, der forbinder dem. Modellen lærer disse positioner, så kendte pile peger korrekt, hvilket gør det ligetil at gætte ukendte fakta — som at finde en ikke-kortlagt hovedstad — ved at følge de samme pile.

Åbn i MethodMindSnartVideoSnartDownload slides

Læs hele metoden

Kun for medlemmer

Log ind med en gratis konto for at læse dette afsnit.

Log ind

Method map

The neighbourhood of related methods — select a node to explore.

Kilder

  1. Bordes, A., Usunier, N., García-Durán, A., Weston, J., & Yakhnenko, O. (2013). Translating embeddings for modeling multi-relational data. Advances in Neural Information Processing Systems, 26. link

Sådan citerer du denne side

ScholarGate. (2026, June 2). Knowledge Graph Embeddings (TransE and beyond). ScholarGate. https://scholargate.app/da/network-analysis/knowledge-graph-embeddings

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Refereret af

ScholarGateKnowledge Graph Embeddings (Knowledge Graph Embeddings (TransE and beyond)). Hentet 2026-06-15 fra https://scholargate.app/da/network-analysis/knowledge-graph-embeddings · Datasæt: https://doi.org/10.5281/zenodo.20539026