Machine learningGraph representation

Plongements de graphes de connaissances

Les plongements de graphes de connaissances (KGE) constituent une famille de méthodes qui représentent des entités et des relations dans un graphe de connaissances sous forme de vecteurs denses, de faible dimension, dans un espace continu. Le modèle fondamental, TransE, a été introduit par Bordes, Usunier, García-Durán, Weston et Yakhnenko en 2013. TransE traite chaque relation comme une translation dans l'espace des plongements — le vecteur de l'entité tête plus le vecteur de la relation devrait approximer le vecteur de l'entité queue pour tout triplet vrai (h, r, t). Ce principe géométrique simple a permis une prédiction de liens et une complétion de base de connaissances efficaces à grande échelle.

Ouvrir dans MethodMindBientôtVidéoBientôtDownload slides

Lire la méthode complète

Réservé aux membres

Connectez-vous avec un compte gratuit pour lire cette section.

Se connecter

Method map

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

Sources

  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

Comment citer cette page

ScholarGate. (2026, June 2). Knowledge Graph Embeddings (TransE and beyond). ScholarGate. https://scholargate.app/fr/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

Référencée par

ScholarGateKnowledge Graph Embeddings (Knowledge Graph Embeddings (TransE and beyond)). Consulté le 2026-06-15 sur https://scholargate.app/fr/network-analysis/knowledge-graph-embeddings · Jeu de données : https://doi.org/10.5281/zenodo.20539026