亲子乱V一区二区三区免费看,偷窥丶亚洲丶熟女,亚洲网站免费,在线91福利,亚洲AV成人无码一区二区三区 ,黄色成人网络空间在线播放,日韩插穴,黄色A片网址

點擊上方“視學算法”，選擇加"星標"或“置頂”

重磅干貨，第一時間送達

來源：專知

本文附論文，建議閱讀5分鐘
NS-KGE的基本思想是在模型學習中考慮KG中的所有負面實例，從而避免負面抽樣。

知識圖譜(KG)是一種靈活的結構，能夠描述數據實體之間的復雜關系。目前，大多數KG嵌入模型都是基于負采樣進行訓練的，即模型的目標是最大限度地增加KG內被連接實體的某些相似度，同時最小化被采樣的斷開實體的相似度。負抽樣通過只考慮負實例的子集，降低了模型學習的時間復雜度，這可能會由于抽樣過程的不確定性而無法提供穩(wěn)定的模型性能。為了避免這一缺陷，我們提出了一種新的KG嵌入高效非采樣知識圖譜嵌入框架(NS-KGE)。其基本思想是在模型學習中考慮KG中的所有負面實例，從而避免負面抽樣?？蚣芸蓱糜诨谄椒綋p失的知識圖譜嵌入模型或其損失可轉換為平方損失的模型。這種非抽樣策略的一個自然副作用是增加了模型學習的計算復雜度。為了解決這一問題，我們利用數學推導來降低非采樣損失函數的復雜度，最終為我們提供了比現有模型更好的KG嵌入效率和精度。在基準數據集上的實驗表明，NS-KGE框架在效率和準確率方面均優(yōu)于傳統(tǒng)的基于負采樣的模型，該框架適用于大規(guī)模知識圖譜嵌入模型。

鏈接：

https://www.zhuanzhi.ai/paper/a63903c464665db631cd3167d395a238

編輯：文婧

點個在看 paper不斷！

【WWW2021】高效的非抽樣知識圖譜嵌入