UniSampler

class pybind11_ke.data.UniSampler(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)

平移模型和语义匹配模型的训练集普通的数据采样器（均值分布）。

__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)

创建 UniSampler 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 在该采样器中不起作用，只是占位符。

• 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

__weakref__

list of weak references to the object (if defined)

batch_size: int

batch size

corrupt_head(t: int, r: int, num_max: int = 1) → numpy.ndarray

替换头实体构建负三元组。

参数:

• t (int) – 尾实体

• r (int) – 关系

• num_max (int) – 一次负采样的个数

返回:

负三元组的头实体列表

返回类型:

numpy.ndarray

corrupt_tail(h: int, r: int, num_max: int = 1) → numpy.ndarray

替换尾实体构建负三元组。

参数:

• h (int) – 头实体

• r (int) – 关系

• num_max (int) – 一次负采样的个数

返回:

负三元组的尾实体列表

返回类型:

numpy.ndarray

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。

head_batch(t: int, r: int, neg_size: int | None = None) → numpy.ndarray

替换头实体构建负三元组。

参数:

• t (int) – 尾实体

• r (int) – 关系

• neg_size (int) – 负三元组个数

返回:

负三元组中的头实体列表

返回类型:

numpy.ndarray

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)

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[str, torch.Tensor]]

平移模型和语义匹配模型的训练集普通的数据采样函数（均匀分布）。

参数:

pos_triples (list[tuple[int, int, int]]) – 知识图谱中的正确三元组

返回:

平移模型和语义匹配模型的训练数据

返回类型:

dict[str, Union[str, torch.Tensor]]

tail_batch(h: int, r: int, neg_size: int | None = None) → numpy.ndarray

替换尾实体构建负三元组。

参数:

• h (int) – 头实体

• r (int) – 关系

• neg_size (int) – 负三元组个数

返回:

负三元组中的尾实体列表

返回类型:

numpy.ndarray

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