TransH嵌入模型详细介绍及每一步骤的python实现代码

时间: 2024-03-08 20:49:52 浏览: 33
TransH嵌入模型是一种基于知识图谱的实体关系表示学习模型,它是在TransE模型的基础上发展而来的。下面是TransH嵌入模型的详细介绍及每一步骤的Python实现代码。 1. 模型介绍 TransH模型的主要思想是为每个关系定义一个超平面,将实体映射到该超平面上。这个超平面被称为关系空间,实体被映射到该空间中的一个点上。在关系空间中,实体之间的距离可以通过两个实体在该超平面上的投影点之间的欧氏距离来计算。TransH模型的目标是最小化实体和关系之间的距离,并将其映射到关系空间中。 2. 数据处理 在实现TransH模型之前,需要对原始数据进行处理。假设原始数据包含三元组(head,relation,tail),其中head和tail表示实体,relation表示实体之间的关系。首先,需要将每个实体和关系映射到一个唯一的数字ID上。然后,将三元组表示为数字ID的形式。最后,将数据分为三部分:训练集、验证集和测试集。 以下是Python代码实现: ```python import numpy as np # 将实体和关系映射到数字ID def get_entity_id(entity_list): entity_id = {} for entity in entity_list: if entity not in entity_id: entity_id[entity] = len(entity_id) return entity_id def get_relation_id(relation_list): relation_id = {} for relation in relation_list: if relation not in relation_id: relation_id[relation] = len(relation_id) return relation_id # 将三元组表示为数字ID的形式 def get_triple(triple_list, entity_id, relation_id): triple = [] for triple_str in triple_list: head, relation, tail = triple_str.strip().split('\t') triple.append((entity_id[head], relation_id[relation], entity_id[tail])) return np.array(triple) # 将数据分为训练集、验证集和测试集 def split_data(triple, ratio=(0.7, 0.2, 0.1)): train_ratio, valid_ratio, test_ratio = ratio train_size = int(len(triple) * train_ratio) valid_size = int(len(triple) * valid_ratio) test_size = len(triple) - train_size - valid_size train_triple = triple[:train_size] valid_triple = triple[train_size:train_size+valid_size] test_triple = triple[train_size+valid_size:] return train_triple, valid_triple, test_triple ``` 3. 模型训练 TransH模型的训练分为两个步骤:第一步是训练TransE模型,第二步是在TransE模型的基础上训练TransH模型。 3.1 训练TransE模型 TransE模型的目标是最小化三元组中实体和关系之间的距离。具体来说,对于三元组(h,r,t),TransE模型的目标是最小化以下损失函数: $ L = \sum_{(h,r,t) \in S} max(0, \gamma + d(h+r,t) - d(h,r,t)) $ 其中,S表示训练集,d表示欧氏距离,$\gamma$表示边界值,$d(h+r,t)$表示实体h与关系r的和向量与实体t的向量之间的欧氏距离,$d(h,r,t)$表示实体h、关系r和实体t之间的欧氏距离。 以下是Python代码实现: ```python import torch import torch.nn as nn import torch.nn.functional as F class TransE(nn.Module): def __init__(self, n_entity, n_relation, embedding_dim): super(TransE, self).__init__() self.entity_embedding = nn.Embedding(n_entity, embedding_dim) self.relation_embedding = nn.Embedding(n_relation, embedding_dim) def forward(self, head, relation, tail): head_embedding = self.entity_embedding(head) relation_embedding = self.relation_embedding(relation) tail_embedding = self.entity_embedding(tail) score = torch.norm(head_embedding + relation_embedding - tail_embedding, p=2, dim=1) return score def loss(self, score, margin=1.0): return torch.mean(F.relu(margin + score)) def predict(self, head, relation): head_embedding = self.entity_embedding(head) relation_embedding = self.relation_embedding(relation) tail_embedding = head_embedding + relation_embedding return tail_embedding ``` 3.2 训练TransH模型 在TransE模型的基础上,TransH模型为每个关系定义一个超平面,将实体映射到该超平面上。具体来说,在TransH模型中,每个关系r都有一个超平面$W_r$,该超平面由一个法向量$w_r$和一个点$p_r$确定。实体h和t在关系空间中的投影点分别为$h_r$和$t_r$。对于三元组(h,r,t),TransH模型的目标是最小化以下损失函数: $ L = \sum_{(h,r,t) \in S} max(0, \gamma + d(h_r + w_r,t_r) - d(h_r,t_r) + d(h+r,t) - d(h,t)) $ 其中,S表示训练集,$\gamma$表示边界值,$d(h_r + w_r,t_r)$表示实体h和关系r的超平面投影点的和向量与实体t的超平面投影点之间的欧氏距离,$d(h_r,t_r)$表示实体h和实体t在关系r的超平面上的投影点之间的欧氏距离,$d(h+r,t)$表示实体h与关系r的和向量与实体t的向量之间的欧氏距离,$d(h,t)$表示实体h和实体t之间的欧氏距离。 以下是Python代码实现: ```python class TransH(nn.Module): def __init__(self, n_entity, n_relation, embedding_dim): super(TransH, self).__init__() self.entity_embedding = nn.Embedding(n_entity, embedding_dim) self.relation_embedding = nn.Embedding(n_relation, embedding_dim) self.relation_hyperplane_normal = nn.Embedding(n_relation, embedding_dim) self.relation_hyperplane_point = nn.Embedding(n_relation, embedding_dim) def forward(self, head, relation, tail): head_embedding = self.entity_embedding(head) relation_embedding = self.relation_embedding(relation) tail_embedding = self.entity_embedding(tail) relation_hyperplane_normal = self.relation_hyperplane_normal(relation) relation_hyperplane_point = self.relation_hyperplane_point(relation) head_projection = head_embedding - torch.sum(head_embedding * relation_hyperplane_normal, dim=1, keepdims=True) * relation_hyperplane_normal tail_projection = tail_embedding - torch.sum(tail_embedding * relation_hyperplane_normal, dim=1, keepdims=True) * relation_hyperplane_normal relation_hyperplane_projection = relation_embedding - torch.sum(relation_embedding * relation_hyperplane_normal, dim=1, keepdims=True) * relation_hyperplane_normal score = torch.norm(head_projection + relation_hyperplane_projection - tail_projection, p=2, dim=1) return score def loss(self, score, margin=1.0): return torch.mean(F.relu(margin + score)) def predict(self, head, relation): head_embedding = self.entity_embedding(head) relation_embedding = self.relation_embedding(relation) relation_hyperplane_normal = self.relation_hyperplane_normal(relation) relation_hyperplane_point = self.relation_hyperplane_point(relation) head_projection = head_embedding - torch.sum(head_embedding * relation_hyperplane_normal, dim=1, keepdims=True) * relation_hyperplane_normal relation_hyperplane_projection = relation_embedding - torch.sum(relation_embedding * relation_hyperplane_normal, dim=1, keepdims=True) * relation_hyperplane_normal tail_embedding = head_projection + relation_hyperplane_projection return tail_embedding ``` 4. 模型评估 模型评估的主要目标是计算模型的预测准确率。具体来说,需要计算模型在验证集和测试集上的平均准确率(Mean Average Precision,MAP)和平均逆排名(Mean Reciprocal Rank,MRR)。 以下是Python代码实现: ```python def evaluate(model, triple, entity_id, relation_id, device): with torch.no_grad(): hits10 = 0 hits1 = 0 ranks = [] for head, relation, tail in triple: head = torch.tensor([head], dtype=torch.long).to(device) relation = torch.tensor([relation], dtype=torch.long).to(device) tail = torch.tensor([tail], dtype=torch.long).to(device) all_entity = torch.tensor(list(entity_id.values()), dtype=torch.long).to(device) all_entity = all_entity.unsqueeze(0).repeat(len(entity_id), 1) score = model(head, relation, all_entity) _, indices = torch.sort(score) indices = indices.cpu().numpy().tolist()[0] rank = indices.index(tail.item()) + 1 ranks.append(rank) if rank <= 10: hits10 += 1 if rank == 1: hits1 += 1 mrr = np.mean([1/rank for rank in ranks]) map = 0 for i, rank in enumerate(ranks): if rank <= 10: map += (i+1) / hits10 map /= len(ranks) return hits10/len(triple), hits1/len(triple), mrr, map ``` 以上就是TransH嵌入模型的详细介绍及每一步骤的Python实现代码。

相关推荐

最新推荐

recommend-type

GB∕T 35294-2017 信息技术 科学数据引用.pdf

GB∕T 35294-2017 信息技术 科学数据引用.pdf
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

实现实时数据湖架构:Kafka与Hive集成

![实现实时数据湖架构:Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构,它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同,实时数据湖不依赖于预先定义的模式,而是采用灵活的架构,可以处理各种数据类型和格式。这种架构为企业提供了以下优势: - **实时洞察:**实时数据湖允许企业访问最新的数据,从而做出更明智的决策。 - **数据民主化:**实时数据湖使各种利益相关者都可
recommend-type

如何用python编写api接口

在Python中编写API接口可以使用多种框架,其中比较流行的有Flask和Django。这里以Flask框架为例,简单介绍如何编写API接口。 1. 安装Flask框架 使用pip命令安装Flask框架: ``` pip install flask ``` 2. 编写API接口 创建一个Python文件,例如app.py,编写以下代码: ```python from flask import Flask, jsonify app = Flask(__name__) @app.route('/api/hello', methods=['GET']) def hello():
recommend-type

JSBSim Reference Manual

JSBSim参考手册,其中包含JSBSim简介,JSBSim配置文件xml的编写语法,编程手册以及一些应用实例等。其中有部分内容还没有写完,估计有生之年很难看到完整版了,但是内容还是很有参考价值的。
recommend-type

"互动学习:行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动,互动学习以行动为中心的强化学习学会互动,互动学习,以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授:智囊团论文联合主任菲利普·普雷教授,大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授,Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士,Deepmind对于那些及时看到自己错误的人...3谢谢你首先,我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔,"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲,你知道在这篇论文的(许多)错误中,你是我可以依
recommend-type

实现实时监控告警系统:Kafka与Grafana整合

![实现实时监控告警系统:Kafka与Grafana整合](https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9BVldpY3ladXVDbEZpY1pLWmw2bUVaWXFUcEdLT1VDdkxRSmQxZXB5R1lxaWNlUjA2c0hFek5Qc3FyRktudFF1VDMxQVl3QTRXV2lhSWFRMEFRc0I1cW1ZOGcvNjQw?x-oss-process=image/format,png) # 1.1 Kafka集群架构 Kafka集群由多个称为代理的服务器组成,这
recommend-type

matlab 将加载的数据转变为矩阵

在 MATLAB 中,可以使用 `load` 函数将数据加载到工作区中,然后将其转换为矩阵。 例如,假设我们有一个名为 `data.txt` 的文本文件,其中包含以下内容: ``` 1 2 3 4 5 6 7 8 9 ``` 我们可以使用以下代码将其加载并转换为矩阵: ``` data = load('data.txt'); matrix = reshape(data, [3, 3]); ``` `load` 函数将文件中的数据加载到名为 `data` 的变量中,该变量是一个向量。我们可以使用 `reshape` 函数将其转换为一个 3x3 的矩阵。
recommend-type

c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf

校园超市商品信息管理系统课程设计旨在帮助学生深入理解程序设计的基础知识,同时锻炼他们的实际操作能力。通过设计和实现一个校园超市商品信息管理系统,学生掌握了如何利用计算机科学与技术知识解决实际问题的能力。在课程设计过程中,学生需要对超市商品和销售员的关系进行有效管理,使系统功能更全面、实用,从而提高用户体验和便利性。 学生在课程设计过程中展现了积极的学习态度和纪律,没有缺勤情况,演示过程流畅且作品具有很强的使用价值。设计报告完整详细,展现了对问题的深入思考和解决能力。在答辩环节中,学生能够自信地回答问题,展示出扎实的专业知识和逻辑思维能力。教师对学生的表现予以肯定,认为学生在课程设计中表现出色,值得称赞。 整个课程设计过程包括平时成绩、报告成绩和演示与答辩成绩三个部分,其中平时表现占比20%,报告成绩占比40%,演示与答辩成绩占比40%。通过这三个部分的综合评定,最终为学生总成绩提供参考。总评分以百分制计算,全面评估学生在课程设计中的各项表现,最终为学生提供综合评价和反馈意见。 通过校园超市商品信息管理系统课程设计,学生不仅提升了对程序设计基础知识的理解与应用能力,同时也增强了团队协作和沟通能力。这一过程旨在培养学生综合运用技术解决问题的能力,为其未来的专业发展打下坚实基础。学生在进行校园超市商品信息管理系统课程设计过程中,不仅获得了理论知识的提升,同时也锻炼了实践能力和创新思维,为其未来的职业发展奠定了坚实基础。 校园超市商品信息管理系统课程设计的目的在于促进学生对程序设计基础知识的深入理解与掌握,同时培养学生解决实际问题的能力。通过对系统功能和用户需求的全面考量,学生设计了一个实用、高效的校园超市商品信息管理系统,为用户提供了更便捷、更高效的管理和使用体验。 综上所述,校园超市商品信息管理系统课程设计是一项旨在提升学生综合能力和实践技能的重要教学活动。通过此次设计,学生不仅深化了对程序设计基础知识的理解,还培养了解决实际问题的能力和团队合作精神。这一过程将为学生未来的专业发展提供坚实基础,使其在实际工作中能够胜任更多挑战。