TransR

class dgl.nn.pytorch.link.TransR(num_rels, rfeats, nfeats, p=1)

基类: Module

相似性度量，出自论文 Learning entity and relation embeddings for knowledge graph completion

数学上，它定义如下：

\[- {\| M_r h + r - M_r t \|}_p\]

其中 \(M_r\) 是关系特定的投影矩阵，\(h\) 是头实体嵌入，\(r\) 是关系嵌入，\(t\) 是尾实体嵌入。

参数:

• num_rels (int) – 关系类型的数量。

• rfeats (int) – 关系嵌入的维度。

• nfeats (int) – 实体嵌入的维度。

• p (int, optional) – Lp 范数使用的 p，可以是 1 或 2。

rel_emb

可学习的关系类型嵌入。

类型:

torch.nn.Embedding

rel_project

可学习的关系类型特定投影。

类型:

torch.nn.Embedding

示例

>>> import dgl
>>> import torch as th
>>> from dgl.nn import TransR

>>> # input features
>>> num_nodes = 10
>>> num_edges = 30
>>> num_rels = 3
>>> feats = 4

>>> scorer = TransR(num_rels=num_rels, rfeats=2, nfeats=feats)
>>> g = dgl.rand_graph(num_nodes=num_nodes, num_edges=num_edges)
>>> src, dst = g.edges()
>>> h = th.randn(num_nodes, feats)
>>> h_head = h[src]
>>> h_tail = h[dst]
>>> # Randomly initialize edge relation types for demonstration
>>> rels = th.randint(low=0, high=num_rels, size=(num_edges,))
>>> scorer(h_head, h_tail, rels).shape
torch.Size([30])

forward(h_head, h_tail, rels)

对三元组评分。

参数:

• h_head (torch.Tensor) – 头实体特征。张量形状为 \((E, D)\)，其中 \(E\) 是三元组数量，\(D\) 是特征维度。

• h_tail (torch.Tensor) – 尾实体特征。张量形状为 \((E, D)\)，其中 \(E\) 是三元组数量，\(D\) 是特征维度。

• rels (torch.Tensor) – 关系类型。它是形状为 \((E)\) 的 LongTensor，其中 \(E\) 是三元组数量。

返回值:

三元组得分。张量形状为 \((E)\)。

返回类型:

torch.Tensor

reset_parameters()

描述

重新初始化可学习参数。