亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

本文主要介紹了一種新的模型：知識圖譜卷積網絡神經網絡 （KGCN），它是一種端到端的框架，能夠通過挖掘KG上的相關屬性，有效地捕獲項間相關性。這項工作的主要思想是利用Grakn作為知識圖譜，在知識圖譜、自動邏輯推理和機器學習之間架起一座橋梁。

摘要

KGCN通過監督學習可以創建任何標簽的Grakn Things集合的向量表示以及嵌入。

1.可以直接地對KGCN進行訓練，以便對存儲在Grakn中的實例進行分類或回歸。

2.未來的工作將從通過無監督學習構建嵌入方面展開。

介紹

通常，數據并不適合表格的格式，相比之下，將復雜和相互關聯的數據存儲在知識圖譜中有許多好處，尤其是它能完整地存儲每個數據點的上下文信息。

然而，許多現有的機器學習技術依賴于每個例子的輸入向量。創建這樣的向量來表示知識圖譜中的節點是具有挑戰性的。

為了利用機器學習中豐富的現有的方法，工具和通道，我們需要一種構建這些向量的方法。通過這種方式，我們可以利用知識圖譜中的上下文信息來進行機器學習。

這是KGCN可以實現的。通過給定知識圖譜中的例子節點，它可以檢查該例子附近的節點及其上下文。基于該上下文，它可以確定該例子的向量表示以及嵌入。

KGCN適用于兩個廣泛的學習任務：

1.從知識圖譜中通過監督學習進行預測，例如多分類，回歸和鏈接預測等。 2.無監督學習知識圖譜的嵌入構建，例如用于聚類和節點比較任務。

為了建立有用的表示，KGCN需要進行一些學習。要做到這一點，它需要一個優化的函數。通過重新審視可以執行的任務，我們有不同的方式來進行學習：

1.在有監督的情況下，我們可以針對想要執行的明確任務進行優化。在這種情況下，嵌入是學習通道中的臨時張量。

2.為了構建無監督學習嵌入作為輸出，我們優化的目標則是最小化圖中的一些相似性。

方法

實施的方法基于來自斯坦福SNAP小組的GraphSAGE，它非常適合于在知識圖譜上工作。KGCN不處理典型的屬性圖，而是對從存儲在類型化超圖Grakn中的上下文數據進行學習。此外，它還能對從Grakn的自動邏輯推理器推導出的事實進行學習。

現在我們開始介紹關鍵組件以及它們如何進行交互。

KGCN

KGCN負責派生一組Things的嵌入（從而直接學習對它們進行分類）。我們首先查詢Grakn以找到一組標簽的例子。然后我們收集有關每個例子Thing的上下文的數據。我們這樣做是通過遞歸地考慮他們的鄰居和他們的鄰居的鄰居，直到K跳。

我們從Grakn（如上圖所示）中檢索有關該鄰近的數據。此信息包括連接的每個相鄰Thing 的層次結構類型，角色和屬性值，以及推測出的鄰居（由上圖中的虛線表示）。這些數據被處理成矩陣作為神經網絡的輸入。

再通過Aggregate和Combine操作，就可以構建Thing的單個向量表示。這個過程可以遞歸地鏈接到相鄰Things的K跳上。這就完成了包含從廣泛上下文提取的信息的感興趣的Thing表示。

在監督學習中，這些嵌入是直接優化來執行任務的。對于多分類，這是通過將嵌入傳遞到單個后續全連接層并通過softmax交叉熵確定損失來實現的（針對例子Thing標簽）; 然后，進行優化以減少損失。

KGCN對象將許多子組件、上下文構建器、鄰居查找器、編碼器和嵌入器組合在一起。

嵌入器

為了創建嵌入，我們在TensorFlow中構建一個網絡，該網絡能夠連續地聚合和組合從K跳到保留“摘要”表示的特征---一種嵌入（如下圖所示）。

為了創建通道，Embedder對所考慮的鄰居的K-hop進行聚合和組合操作。例如，對于2跳的情況，這意味著Aggregate-Combine-Aggregate-Combine。

上圖顯示了在監督學習分類的情況下如何工作。

Embedder負責鏈接子組件Aggregator和Combiner。

聚合器

一個聚合器（如下圖所示）發生在一件事的鄰居的子樣本的向量表示。它產生一個代表所有這些輸入的向量。它必須以與訂單無關的方式執行此操作，因為鄰居是無序的。為實現這一目標，我們使用一個全連接層，并使用maxpool輸出（maxpool與順序無關）。

組合器

一旦我們將Thing的鄰居聚合成單個向量表示，我們需要將它與Thing本身的向量表示相結合。組合器通過連接兩個向量實現這一點，并減少使用單個全連接層的維數。

有監督KGCN分類器

有監督的KGCN分類器是負責實際的學習任務的。對于任何使用KGCN的學習者，它提供：

1.方法訓練/評估/預測

2.嵌入張量到預測的通道

3.預測和標簽的損失函數

4.優化

5.循環反向傳播訓練

下面是程序流程的略微簡化的UML活動圖。

建立KGCN

在開始構建KGCN之前，需要查看閱讀文件的快速入門，確保滿足所有要求并遵循例子的使用說明，模板代碼如下：

下載鏈接：//pan.baidu.com/s/1CivnydJQD5hd8OHyB_8vpg 提取碼：4lxf