作者：AI科技评论
链接：https://zhuanlan.zhihu.com/p/80149671
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
 

KG2E模型。He等人认为，知识库中的关系和实体的语义本身具有不确定性，而过去模型中都忽略这个因素。因此，He等人提出KG2E，使用高斯分布来表示实体和关系。其中高斯分布的均值表示的是实体或关系在语义空间中的中心位置，而高斯分布的协方差则表示该实体或关系的不确定度。

图3为KG2E模型示例，每个圆圈代表不同实体与关系的表示，它们分别与“比尔·克林顿”构成三元组，其中圆圈大小表示的是不同实体或关系的不确定度，可以看到“国籍”的不确定度远远大于其他关系。

图3 KG2E模型

KG2E模型将实体和关系表示为从多变量高斯分布中抽取的随机向量

其中，μ_h、μ_r、μ_t是均值向量，∑_h、∑_r、∑_t代表协方差矩阵。然后，受到平移假设的启发，KG2E模型通过测量t-h和r这两个随机向量之间的距离来为一个事实评分，即N（μ_t-μ_h，∑_t+∑_h）和N（μ_r，∑_r）这两个分布。通过2种方法来进行测量。一种是通过KL散度（KL距离）来进行测量即：

另一种方法是计算概率的内积即：

其中μ=μ_h+μ_r-μ_t，∑=∑_h+∑_r+∑_t利用高斯嵌入。KG2E可以有效地对KGs中实体和关系的不确定性进行建模。

TransG模型。TransG也是对高斯分布的实体进行了建模，即：

TransG提出使用高斯混合模型描述头、尾实体之间的关系.该模型认为，一个关系会对应多种语义，每种语义用一个高斯分布来刻画，即:

这里，μ_r_i是第i个语义的嵌入，Pi_r_i是该语义的权重，I是单位矩阵。评分函数如表1所示。从评分函数公式可以看出，哪一种平移距离的混合是由关系的不同语义引入的，由关系的不同语义引入。这些语义组合可以通过CRP从数据中自动学习。

TransG模型与传统模型的对比如图4所示。其中三角形表示正确的尾实体，圆形表示错误的尾实体。图4(a)中为传统模型示例，由于将关系r的所有语义混为一谈，导致错误的实体无法被区分开.而如图4(b)所示，TransG模型通过考虑关系r的不同语义，形成多个高斯分布，就能够区分出正确和错误实体。

图 4 传统模型和TransG模型比较