RGCNSampler¶

class pybind11_ke.data.RGCNSampler(in_path: str = './', ent_file: str = 'entity2id.txt', rel_file: str = 'relation2id.txt', train_file: str = 'train2id.txt', batch_size: int | None = None, neg_ent: int = 1)[源代码]¶

R-GCN [SKB+18] 的训练数据采样器。

例子:

from pybind11_ke.data import RGCNSampler, CompGCNSampler
from torch.utils.data import DataLoader

#: 训练数据采样器
train_sampler: typing.Union[typing.Type[RGCNSampler], typing.Type[CompGCNSampler]] = train_sampler(
    in_path=in_path,
    ent_file=ent_file,
    rel_file=rel_file,
    train_file=train_file,
    batch_size=batch_size,
    neg_ent=neg_ent
)

#: 训练集三元组
data_train: list[tuple[int, int, int]] = train_sampler.get_train()

train_dataloader = DataLoader(
    data_train,
    shuffle=True,
    batch_size=batch_size,
    num_workers=num_workers,
    pin_memory=True,
    drop_last=True,
    collate_fn=train_sampler.sampling,
)

__init__(in_path: str = './', ent_file: str = 'entity2id.txt', rel_file: str = 'relation2id.txt', train_file: str = 'train2id.txt', batch_size: int | None = None, neg_ent: int = 1)[源代码]¶

创建 RGCNSampler 对象。

参数:

in_path (str) – 数据集目录
ent_file (str) – entity2id.txt
rel_file (str) – relation2id.txt
train_file (str) – train2id.txt
batch_size (int | None) – batch size
neg_ent (int) – 对于每一个正三元组, 构建的负三元组的个数, 替换 entity (head + tail)

__weakref__¶: list of weak references to the object (if defined)

add_reverse_relation()¶: 增加相反关系：r` = r + rel_tol

add_train_reverse_triples()¶: 对于每一个三元组 (h, r, t)，生成相反关系三元组 (t, r`, h): r` = r + rel_tol。

batch_size: int¶: batch size

build_graph(num_ent: int, triples: tuple[torch.Tensor, torch.Tensor, torch.Tensor], power: int = -1) → tuple[dgl.DGLGraph, torch.Tensor, torch.Tensor][源代码]¶

建立子图。

参数:

num_ent (int) – 子图的节点数
triples (tuple[torch.Tensor, torch.Tensor, torch.Tensor]) – 知识图谱中的正确三元组子集
power (int) – 幂

返回:

子图、关系、边的归一化系数

返回类型:

tuple[dgl.DGLGraph, torch.Tensor, torch.Tensor]

comp_deg_norm(graph: dgl.DGLGraph, power: int = -1) → torch.Tensor[源代码]¶

根据目标节点度计算目标节点的归一化系数。

参数:

graph (dgl.DGLGraph) – 子图
power (int) – 幂

返回:

节点的归一化系数

返回类型:

torch.Tensor

ent2id: dict¶: 实体->ID

ent_file: str¶: entity2id.txt

ent_tol: int¶: 实体的个数

get_hr2t_rt2h_from_train()¶: 获得 hr2t_train 和 rt2h_train 。

get_hr_train()¶

用于 CompGCN [VSNT20] 训练，因为 CompGCN [VSNT20] 的组合运算仅需要头实体和关系。

如果想获得更详细的信息请访问 CompGCN。

get_id()¶: 读取 ent_file 文件和 rel_file 文件。

get_train() → list[tuple[int, int, int]]¶

返回训练集三元组。

返回:: train_triples
返回类型:: list[tuple[int, int, int]]

get_train_triples_id()¶: 读取 train_file 文件。

hr2t_train: collections.defaultdict[set]¶: 训练集中所有 h-r 对对应的 t 集合

id2ent: dict¶: ID->实体

id2rel: dict¶: ID->关系

in_path: str¶: 数据集目录

neg_ent: int¶: 对于每一个正三元组, 构建的负三元组的个数, 替换 entity (head + tail)

node_norm_to_edge_norm(graph: dgl.DGLGraph, node_norm: torch.Tensor) → torch.Tensor[源代码]¶

根据目标节点度计算每条边的归一化系数。

参数:

graph (dgl.DGLGraph) – 子图
node_norm (torch.Tensor) – 节点的归一化系数

返回:

边的归一化系数

返回类型:

torch.Tensor

rel2id: dict¶: 关系->ID

rel_file: str¶: relation2id.txt

rel_tol: int¶: 关系的个数

rt2h_train: collections.defaultdict[set]¶: 训练集中所有 r-t 对对应的 h 集合

sampling(pos_triples: list[tuple[int, int, int]]) → dict[str, Union[dgl.DGLGraph, torch.Tensor]][源代码]¶

R-GCN [SKB+18] 的采样函数。

参数:: pos_triples (list[tuple[int, int, int]]) – 知识图谱中的正确三元组
返回:: R-GCN [SKB+18] 的训练数据
返回类型:: dict[str, Union[dgl.DGLGraph , torch.Tensor]]

sampling_negative(mode: int, pos_triples: list[tuple[int, int, int]]) → numpy.ndarray[源代码]¶

采样负三元组。

参数:

mode (str) – ‘head’ 或 ‘tail’
pos_triples (list[tuple[int, int, int]]) – 知识图谱中的正确三元组

返回:

负三元组

返回类型:

numpy.ndarray

sampling_positive(positive_triples: list[tuple[int, int, int]]) → tuple[numpy.ndarray, torch.Tensor][源代码]¶

为创建子图重新采样三元组子集，重排实体 ID。

参数:: pos_triples (list[tuple[int, int, int]]) – 知识图谱中的正确三元组
返回:: 三元组子集和原始的实体 ID
返回类型:: tuple[numpy.ndarray, torch.Tensor]

train_file: str¶: train2id.txt

train_tol: int¶: 训练集三元组的个数

train_triples: list[tuple[int, int, int]]¶: 训练集三元组

RGCNSampler¶

Docs