Machine learningGraph representation

Knowledge Graph Embeddings (TransE and beyond)

Представьте, что вы размещаете страны, столицы и отношение «является-столицей» на карте. TransE говорит: если вы начнете с вектора для Франции и пойдете в направлении, обозначенном как «столица», вы должны оказаться рядом с Парижем. Сущности — это точки; отношения — это стрелки, которые их связывают. Модель изучает эти положения так, чтобы известные стрелки указывали правильно, что позволяет легко угадывать неизвестные факты — например, находить не отмеченную на карте столицу — следуя тем же стрелкам.

Открыть в MethodMindСкороВидеоСкороDownload slides

Читать метод полностью

Только для участников

Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.

Войти

Method map

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

Векторные представления графов знаний (Knowledge Graph Embeddings, KGE)
Графовая нейронная сетьЦентральность PageRankWord2VecГрафовые ядра

Источники

  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

Как цитировать эту страницу

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

Упоминается в

ScholarGateKnowledge Graph Embeddings (Knowledge Graph Embeddings (TransE and beyond)). Получено 2026-06-15 из https://scholargate.app/ru/network-analysis/knowledge-graph-embeddings · Набор данных: https://doi.org/10.5281/zenodo.20539026