unike.module.model

KGE 模型部分。

基础模块

CompGCNCov

CompGCN [VSNT20] 图神经网络模块。

模型基类

Model

继承自 unike.module.BaseModule，仅仅增加了两个属性：ent_tol 和 rel_tol。

平移模型

TransE	TransE [BUGD+13] 提出于 2013 年，是第一个平移模型，开创了平移模型研究方向。由于其简单性和高效性， 至今依旧是常用基线模型，在某些数据集上能够比其他更复杂的模型表现的更好。
TransH	TransH [WZFC14] 提出于 2014 年，是第二个平移模型，将关系建模为超平面上的平移操作。
TransR	TransR [LLS+15] 提出于 2015 年，是一个为实体和关系嵌入向量分别构建了独立的向量空间，将实体向量投影到特定的关系向量空间进行平移操作的模型。
TransD	TransD [JHX+15] 提出于 2015 年，自动生成映射矩阵，简单而且高效，是对 TransR 的改进。
RotatE	RotatE [SDNT19] 提出于 2019 年，将实体表示成复数向量，关系建模为复数向量空间的旋转。

语义匹配模型

RESCAL	RESCAL [NTK11] 提出于 2011 年，是很多张量分解模型的基石，模型较复杂。
DistMult	DistMult [YYH+15] 提出于 2015 年，最简单的双线性模型，与 TransE 参数量相同，因此非常容易的应用于大型的知识图谱。
HolE	HolE [NRP16] 提出于 2016 年，利用循环相关进行知识图谱嵌入，是 RESCAL 的压缩版本，因此非常容易的应用于大型的知识图谱。
ComplEx	ComplEx [TWR+16] 提出于 2016 年，第一个真正意义上复数域模型，简单而且高效。复数版本的 unike.module.model.DistMult。
Analogy	Analogy [LWY17] 提出于 2017 年，unike.module.model.DistMult、unike.module.model.HolE 和 unike.module.model.ComplEx 的集大成者， 效果与 unike.module.model.HolE、unike.module.model.ComplEx 差不多。
SimplE	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。

图神经网络模型

RGCN	R-GCN [SKB+18] 提出于 2017 年，是第一个图神经网络模型。
CompGCN	CompGCN [VSNT20] 发表于 2020 年，这是一种在图卷积网络中整合多关系信息的新框架，它利用知识图谱嵌入技术中的各种组合操作，将实体和关系共同嵌入到图中。

平移模型超参数优化默认搜索范围

get_transe_hpo_config	返回 TransE 的默认超参数优化配置。
get_transh_hpo_config	返回 TransH 的默认超参数优化配置。
get_transr_hpo_config	返回 TransR 的默认超参数优化配置。
get_transd_hpo_config	返回 TransD 的默认超参数优化配置。
get_rotate_hpo_config	返回 RotatE 的默认超参数优化配置。

语义匹配模型超参数优化默认搜索范围

get_rescal_hpo_config	返回 RESCAL 的默认超参数优化配置。
get_distmult_hpo_config	返回 DistMult 的默认超参数优化配置。
get_hole_hpo_config	返回 HolE 的默认超参数优化配置。
get_complex_hpo_config	返回 ComplEx 的默认超参数优化配置。
get_analogy_hpo_config	返回 Analogy 的默认超参数优化配置。
get_simple_hpo_config	返回 SimplE 的默认超参数优化配置。

图神经网络模型超参数优化默认搜索范围

get_rgcn_hpo_config	返回 RGCN 的默认超参数优化配置。
get_compgcn_hpo_config	返回 CompGCN 的默认超参数优化配置。