Grafikus ábrázolású tudásgráf beágyazások
A tudásgráf beágyazások (KGE) olyan módszercsaládok, amelyek egy tudásgráfban lévő entitásokat és relációkat sűrű, alacsony dimenziós vektorokként reprezentálnak egy folytonos térben. Az alapmodell, a TransE, Bordes, Usunier, García-Durán, Weston és Yakhnenko nevéhez fűződik 2013-ból. A TransE minden relációt transzlációként kezel a beágyazási térben – a fej entitásvektorának és a relációvektornak összege meg kell, hogy közelítse a farok entitásvektorát minden igaz hármas (h, r, t) esetén. Ez az egyszerű geometriai elv lehetővé tette a hatékony link-előrejelzést és tudásbázis-kiegészítést nagy léptékben.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 2). Knowledge Graph Embeddings (TransE and beyond). ScholarGate. https://scholargate.app/hu/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.
- Gráfon alapuló neurális hálózatHálózatelemzés↔ compare
- PageRank centralitásHálózatelemzés↔ compare
- Word2VecSzövegbányászat↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →