README

【简介】实现知识图谱的表示学习方法——Trans系列，工程旨在构建完整的数据处理、输入，模型搭建、训练、评估流程，以及实现灵活的模型配置和可视化的训练过程。

环境配置

• Python3.6
• torch1.0.0
• numpy1.15.4
• pandas0.22.0

运行

• Step1：将附录中的FB15k数据集下载至data/目录下。

• Step2：运行python GenerateData.py

• Step3：运行python Train.py

数据处理

数据样例内容如下：

姚明 \t 职业 \t 运动员

每一行都是一个三元组，head，relation和tail，通过\t或者空格隔开。

数据样例位于工程目录下/data/，数据处理样例

$ python ./GenerateData.py

模型训练

模型训练需要生成的实体字典、关系字典、处理的数据。

模型训练样例

$ python ./Train.py

更新日志

• 2019.5.18

  • 导入工程
  • 增加TXT格式原始数据处理，json格式字典生成
  • 增加TransE模型
  • 增加MR评估方法，dot相似度评估方法

• 2019.5.23

  • 增加tensorboardX记录训练loss、MR
  • 增加日志记录(暂未使用在主代码里面)
  • 增加evaluation的MRR、Hit10评价指标和cos、L2相似度方法，该部分还需按照具体模型完善

• 2019.5.24

  • 增加验证集划分
  • 增加大数据的处理(字典生成和dataloader)
  • 修改数据读取方式，增加.zip，.gz等压缩类型数据处理

• 2019.5.28

  • 修复bug，原始数据集部分字符串前后含有空格
  • 增加使用预训练向量初始化
  • 增加训练过程中产生不同负样本集训练

• 2019.6.3

  • 增加TransH模型
  • 增加pkl格式的模型数据保存
  • 增加TransH的验证代码，仅dot方式和MR

• 2019.6.5

  • 增加TransD模型

    未进行评测模型，未完成验证代码

  • 增加TransA模型

    未进行评测模型，未完成验证代码

• 2019.6.14

  • 增加KG2E模型

  • 完成TransE,TransH,KG2E模型的统一评测，评测结果如下

    TransE   321(MR)(300 epochs)
    TransH   390(MR)(130 epochs)
    KG2E_KL  276(MR)(500 epochs)
    KG2E_EL  267(MR)(500 epochs)
    

  
  **说明**：模型训练均未训练完，且未进行人工调整参数
  
  

• 修复部分代码bug

• TransA和TransD模型说明

  • TransD模型在验证阶段的效率过低，1.01个(样例)/秒的验证速率，时间主要消耗在矩阵Mrt和矩阵EntityEmbedding的相乘上。
  • TransA模型无法理解论文中对于Wr的求取的说明，无法求出Wr。

模型扩展说明

模型扩展需要更新以下部分

• config.py：增加所需参数
• Train.py：更改trainTriples()类里面的loadPretrainEmbedding()方法和loadPretrainModel()方法，saveModel()方法，dumpEmbedding()方法。
• /code/utils/evaluation.py：更改适应于模型的evaluation方法。

代码框架

总体框架

代码思路

• 关于数据处理GenerateData的想法

  • 数据处理模块化按照步骤可以分为三步将原始语料处理成标准格式、从标准格式数据生成字典，分割训练集和验证集(按需分割)。

• 关于三元组Dataloader的想法

  • 输入数据为正三元组样本，在Dataloader中生成负三元组样本，Dataloader的输出可以灵活地输出正、负样本。

• 关于生成负例三元组的想法

  • 假设将所有输入正例三元组看成是shape(N, 3)的矩阵，按照论文的要求，要么替换head，要么替换tail，那么可以生成三个中间向量：

    • shuffleHead：将矩阵第一列使用random.shuffle()得到的混排的head(相当于论文里面所说的随机找一个替换head的实体)
    • shuffleTail：将矩阵第三列使用random.shuffle()得到的混排的tail(相当于论文里面所说的随机找一个替换tail的实体)
    • replaceDistribution：使用random.random((0, 1))生成长度为N的随机数列表

    那么可以设定一个阈值repProba，如果replaceDistribution的值小于repProba，那么使用shuffleHead对应位置的实体替换原来的头实体，反之，使用shuffleTail对应位置的实体替换原来的尾实体。可以看出，当N足够大时，产生出来的负样本与正样本碰撞的概率几乎为零，基本符合论文要求。

• 关于模型训练的想法

  • 模型类返回loss变量作为优化对象，使用正常的模型训练流程，增加学习率衰减，暂无较大创新之处。

• 关于evaluation的想法

  • 模型的evaluation按照四步走的策略，从训练模型获取必要参数(比如Embedding,MapMatrix等等)，将验证集中每个样本和整个EntityEmbedding求相似度，求真正的实体对应的rank，按照MR，MRR，Hit10使用ranks求得最终分数。

附录

• FB15k下载链接
• TransE论文