知识图谱——链接预测（表示学习）

系列算法

TransE：同一语义空间表示，向量加法

TransH：让一个实体在不同关系下有不同的表示

TransR：认为不同的关系拥有不同的语义空间（实体向关系空间投射）

CTransR：细分关系

TransD：为头尾实体构建不同的投影矩阵（矩阵与实体关系都相关）

TranSparse：为头尾实体构建不同的投影矩阵（不同的矩阵稀疏度）

TransA：损失函数中距离度量改用马氏距离，并为每一维的学习设置不同权重

TransG：用高斯混合模型来描述头尾实体（一种关系，对应多种语义；每种语义用高斯分布表示）

KG2E：头尾实体的向量差用高斯分布表示，关系也用高斯分布表示，评估两个分布之间的相似度

ConvE：图结构的多层卷积网络

SimplE:

(1)每个实体表示成两个向量：头实体向量和尾实体向量（每个向量是独立的）

(2)每个关系表示成两个关系：顺关系和逆关系向量

DKRL：

(1)结构化信息的表示：原有的算法

(2)描述性信息的表示：用CBOW或者深度学习网络对描述信息进行建模

(3)能量函数：Es+Ed(Edd+Esd+Eds)

OpenKGC:

(1)只用文本信息特征来学习实体和关系的表示；

(2)能为没有见过的实体学习表示向量（但该构成该实体的单词必须是固定的）

PTransE:

(1) 可靠性路径的选择；

(2) 路径的表示学习（语义表示-组合表示）

R-GCN/R-GCN+：

(1) GCN提供了一个为图节点表示学习的框架；

(2) R-GCN提供了一个三元组自编码解码的评分方法；

每种类别下的重要算法

张量神经网络：SLM、NTN、ProjE

图卷积网络：R-GCN/R-GCN+、ConvE

分布式+规则的混合：Naual Lp、DKRL、RTJ、ComplexER、ComplexE+NNE

基于路径的建模：PTransE

多源信息融合的建模: DKRL、KGC、NLFeat、TEKE_H、SSP

几个重要趋势

融合其它多源信息：

融合三元组实体的描述信息

融合三元组实体的属性信息

融合网络文本信息（把单词作为研究基准/把实体作为研究基准）

融合其它知识库信息

加入路径信息

加入业务规则信息

编码解码的原理、多层卷积模型

混合使用

https://blog.csdn.net/kisslotus/article/details/54681839