TPE
The intuitions behind Tree-structured Parzen estimator
TPE:一种基于贝叶斯推断的超参数调优方法。
This paper:
本文就提出了一种无监督的方法。核心思想:通过特定的游走方式进行采样,对于每个点都会生成 对应的序列。再将这些序列视为文本导入skip-gram模型,即可得 到每个节点的向量
本文讨论了graph的heterophily
2011
we propose the relational learning approach RESCAL which is based on a tensor factorization that is related to DEDICOM but does not exhibit the same constraints.
2018-3-13 ConvKB
2019-6
Learning with multi-relational data plays a pivotal role in many application domains, ranging from social networks or recommender systems to large-scale knowledge bases (KBs)
ConvR的思想是从relation中构造filter,然后卷积于subject embedding,最后投影,与object embedding做点积。
这样的做法就导致了ConvR的另一个优势,减少了参数的数量。
2019-3-12日发表
设计了一种有效的,浅层的KGE方法CrossE,能够让entity embedding和relation embedding进行更多的交互。
2019-6-2s
常用的KE模型,比如TransE,Complex,DISTMULT等模型,它们只捕获了三元实体之间的线性联系,没有捕获非线性的联系。
本论文的基础是在capsule networks(CapsNet)Dynamic routing between capsules的基础上,直接应用到knowledge graph triplet上。CPasNet原来是作用于图片上。
论文的理论是处在相同维度下的triplet,同一纬度下的embedding可以通过capsule(each capsule is a group of neurons) network捕获不同的变体。