模型的使命是猜测实体是否被替换掉了。

总结一句话，这是一个新颖的、简略的，但却有实质性含义的主意，有许多的试验，也有充沛的融化剖析。

三、常识图谱嵌入：循序推理和概括推理

像Wikidata这样的大型常识图谱永久不会是静态的，社区每天都会更新数千个现实（facts），或者是有些现实现已过期，或者是新的现实需求创立新实体。

循序推理。提到时刻，假如要列出美国总统，明显triple-base的常识图谱，会把泰国试管婴儿亚当斯和特朗普都列出来。假如不考虑时刻的话，是否意味着美国一起有45位总统呢？为了防止这种歧义，你有必要绕过纯RDF的约束，要么选用详细化的办法（针对每个详细的歧义进行消除），要么选用更具表现力的模型。例如Wikidata状况模型（Wikidata Statement Model）答应在每个statement中添加限定符，以总统为例，能够将在限定符处放上总统任期的开端时刻和完毕时刻，经过这种办法来表明给定断语为真的时刻段。循序常识图谱嵌入算法（Temporal KG Embeddings algorithms）的方针便是够条件这样一个时刻感知（time-aware）的常识图谱表明。在常识图谱嵌入中时刻维度现实上，仅仅嵌入字（例如身高、长度、年纪以及其他具有数字或字符串值的联系）的一部分。

概括推理。大多数现有的常识图谱嵌入算法都在已知一切实体的静态图上运转——所谓的转导设置。当你添加新的节点和边时，就需求从头开端从头核算整个嵌入；但关于具有数百万个节点的大型图来说，这明显不是一个正确的办法。在概括设置（inductive setup）中，从前看不见的节点能够依据他们之间的联系和邻域进行嵌入。针对这个主题的研讨现在不断添加，ICLR 2020 上也有几篇风趣的文章。

来源:版权归属原作者,部分文章推送时未能及时与原作者取得联系,若来源标注错误或侵犯到您的权益烦请告知，我们会及时删除。联系QQ:110-242-789