SimplE¶

class pybind11_ke.module.model.SimplE(*args: Any, **kwargs: Any)[源代码]¶

SimplE [KP18] 提出于 2018 年，简单的双线性模型，能够为头实体和尾实体学习不同的嵌入向量。

评分函数为:

\[1/2(<\mathbf{h}_{i}, \mathbf{v}_r, \mathbf{t}_{j}> + <\mathbf{h}_{j}, \mathbf{v}_{r^{-1}}, \mathbf{t}_{i}>)\]

\(< \mathbf{a}, \mathbf{b}, \mathbf{c} >\) 为逐元素多线性点积（element-wise multi-linear dot product）。

正三元组的评分函数的值越大越好，负三元组越小越好，如果想获得更详细的信息请访问 SimplE。

例子:

from pybind11_ke.config import Trainer, Tester
from pybind11_ke.module.model import SimplE
from pybind11_ke.module.loss import SoftplusLoss
from pybind11_ke.module.strategy import NegativeSampling

# define the model
simple = SimplE(
        ent_tol = train_dataloader.get_ent_tol(),
        rel_tol = train_dataloader.get_rel_tol(),
        dim = config.dim
)

# define the loss function
model = NegativeSampling(
        model = simple, 
        loss = SoftplusLoss(),
        batch_size = train_dataloader.get_batch_size(), 
        regul_rate = config.regul_rate
)

# dataloader for test
test_dataloader = TestDataLoader(in_path = config.in_path)

# test the model
tester = Tester(model = simple, data_loader = test_dataloader, use_gpu = config.use_gpu, device = config.device)

# train the model
trainer = Trainer(model = model, data_loader = train_dataloader, epochs = config.epochs,
        lr = config.lr, opt_method = config.opt_method, use_gpu = config.use_gpu, device = config.device,
        tester = tester, test = config.test, valid_interval = config.valid_interval,
        log_interval = config.log_interval, save_interval = config.save_interval,
        save_path = config.save_path, use_wandb = True)
trainer.run()

__call__(*args: Any, **kwargs: Any) → Any¶: Call self as a function.

__init__(ent_tol: int, rel_tol: int, dim: int = 100)[源代码]¶

创建 SimplE 对象。

参数:

ent_tol (int) – 实体的个数
rel_tol (int) – 关系的个数
dim (int) – 实体嵌入向量和关系嵌入向量的维度

static __new__(cls, *args: Any, **kwargs: Any) → Any¶

__repr__() → str¶: Return repr(self).

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

dim: int¶: 实体嵌入向量和关系嵌入向量的维度

ent_h_embeddings: torch.nn.Embedding¶: 根据实体个数，创建的头实体嵌入

ent_t_embeddings: torch.nn.Embedding¶: 根据实体个数，创建的尾实体嵌入

ent_tol: int¶: 实体的种类

forward(data: dict[str, Union[torch.Tensor, str]]) → torch.Tensor[源代码]¶

定义每次调用时执行的计算。 torch.nn.Module 子类必须重写 torch.nn.Module.forward()。利用 torch.clamp() 裁剪最后的的得分，防止遇到 NaN 问题。

参数:: data (dict[str, Union[torch.Tensor, str]]) – 数据。
返回:: 三元组的得分
返回类型:: torch.Tensor

get_parameters(mode: str = 'numpy', param_dict: dict[str, Any] | None = None) → dict[str, numpy.ndarray] | dict[str, list] | dict[str, torch.Tensor]¶

获得模型权重。

参数:

mode – 模型保存的格式，可以选择 numpy 、 list 和 Tensor 。
param_dict (dict[str, Any] | None) – 可以选择从哪里获得模型权重。

返回:

模型权重字典。

返回类型:

dict[str, numpy.ndarray] | dict[str, list] | dict[str, torch.Tensor]

load_checkpoint(path: str)¶

加载模型权重。

参数:: path (str) – 模型保存的路径

load_parameters(path: str)¶

加载模型权重。

参数:: path (str) – 模型保存的路径

pi_const: torch.nn.parameter.Parameter¶: 常数 pi

predict(data: dict[str, Union[torch.Tensor, str]]) → numpy.ndarray[源代码]¶

SimplE 的推理方法。

参数:: data (dict[str, Union[torch.Tensor,str]]) – 数据。
返回:: 三元组的得分
返回类型:: numpy.ndarray

regularization(data: dict[str, Union[torch.Tensor, str]]) → torch.Tensor[源代码]¶

L2 正则化函数（又称权重衰减），在损失函数中用到。

参数:: data (dict[str, Union[torch.Tensor, str]]) – 数据。
返回:: 模型参数的正则损失
返回类型:: torch.Tensor

rel_embeddings: torch.nn.Embedding¶: 根据关系个数，创建的关系嵌入

rel_inv_embeddings: torch.nn.Embedding¶: 根据关系个数，创建的逆关系嵌入

rel_tol: int¶: 关系的种类

save_checkpoint(path: str)¶

保存模型权重。

参数:: path (str) – 模型保存的路径

save_parameters(path: str)¶

用 json 格式保存模型权重。

参数:: path (str) – 模型保存的路径

set_parameters(parameters: dict[str, Any])¶

加载模型权重。

参数:: parameters (dict[str, Any]) – 模型权重字典。

zero_const: torch.nn.parameter.Parameter¶: 常数 0

SimplE¶

Docs