本文分享一篇知识图谱表示学习汇报ppt，将知识图谱表示学习方法粗略分为四大类，涉及将近30篇优秀论文，只简单介绍其核心思想，完整汇报ppt获取请关注公众号(AI机器学习与知识图谱)回复关键字：知识图谱表示学习
- 翻译距离模型：包括TransH、TransR、TransD、TranSparse、TransM、MianfoldE、TransF、TransA、KG2E、TransG、UM、SE模型等；
- 语义匹配模型：包括RESCAL、DistMult、HoLE、ComplEx、ANALOGY、SNE、NTN、MLP、NAM模型等；
- 随机游走模型：包括DeepWalk、LINE、node2vec模型等；
- 子图汇聚模型：包括GCN、GAT、GraphSage模型等。
一、Motivation
知识图谱是由实体（节点）和关系（不同类型的边）组成的多关系图，每条边连接头尾两个实体，通常用SPO三元组进行表示（subject,predicate, object），被称为一个事实。虽然知识图谱在表示结构化数据方面很有效，但这类三元组的潜在符号特性通常使得KGs很难操作。
因此知识图谱表示学习便成为了一个热门的研究方向，知识图谱嵌入的关键思想是将图谱中的实体entity和关系relation转化为连续的向量，在保留KG原有结构的同时使得操作方便。于是便可将entityembedding和relationembedding用到下游各种任务中，例如图谱补全，关系抽取，实体分类，实体链接及实体融合等
知识图谱嵌入技术经典三个步骤：
知识图谱嵌入技术经典三个步骤：
1、representing entities and relations
2、defininga scoring function
3、learning entity and relation representations（最大化所有观测事实的置信度plausibility）
根据scoring function区别分为distance-based scoring functions和similarity-based scoring functions
二、翻译距离模型
基础三大模型：TransE，TransH，TransR
三大模型图
后续改进模型
后后续改进模型
高斯嵌入
小结：
三、语义匹配模型
语义匹配基本模型：
模型图
看不懂的模型
基于神经网络的匹配
模型图
小结
四、基于随机游走的模型
DeepWalk：
Line：
node2vec：
五、子图汇聚模型
GCN图卷积：
GAT图注意力：
GraphSage：
