这是用于知识付费信息嵌入(KGE)的RotatE模型的PyTorch实现。我们提供了一个工具包，提供几种流行的KGE模型的最先进的性能。该工具包非常高效，能够在几个小时内在单个GPU上训练一个大型KGE模型。
　　完整源码：zx.xcxyms.top
　　GraphVite提供了一个更快的RotatE和其他KGE模型的多gpu实现。
　　实现的功能
　　√模型:
　　√pRotatE
　　√TransE
　　√复杂的
　　√DistMult
　　评价指标:
　　√MRR, MR, [email protected], [email protected], [email protected](过滤)
　　√AUC-PR(国家数据集)

　　损失函数:
　　√统一-抽样
　　√Self-Adversarial负采样
　　使用
　　知识付费源码的数据:
　　●entities.dict:映射实体到唯一id的字典
　　●relations.dict:映射到唯一id的字典
　　●train.txt:训练KGE模型拟合该数据集
　　●valid.txt:如果没有验证数据，则创建一个空白文件
　　●用法: KGE模型在此数据集上进行评估
　　例如，该命令在GPU 0的FB15k数据集上训练一个RotatE模型。
　　CUDA_VISIBLE_DEVICES=0 python -u codes/run.py --do_train \
　　--cuda \
　　--do_valid \
　　--do_test \
　　--data_path data/FB15k \
　　--model RotatE \
　　-n 256 -b 1024 -d 1000 \
　　-g 24.0 -a 1.0 -adv \
　　-lr 0.0001 --max_steps 150000 \
　　-save models/RotatE_FB15k_0 --test_batch_size 16 -de
　　查看code /run.py的argparse配置以获取更多参数和详细信息。
　　测试
　　CUDA_VISIBLE_DEVICES=$GPU_DEVICE python -u $CODE_PATH/run.py——do_test——cuda -init $SAVE
　　、为了再现ICLR 2019论文《RotatE: Knowledge Graph embedding by Relational Rotation in Complex Space》中的结果，您可以在best_config.sh中运行bash命令，以获得RotatE、TransE和Complex在五个广泛使用的数据集(FB15k、FB15k-237、wn18、wn18rr、Countries)上的最佳性能。
　　run.sh脚本提供了一种简单的方法来搜索超参数:
　　bash run.sh train RotatE FB15k 00 1024 256 1000 24.0 1.0 0.0001 200000 16 -de
　　速度
　　KGE模型通常需要大约半个小时在一个默认配置的GeForce GTX 1080 Ti GPU上运行10000步。这些模型需要不同的max_steps来收敛不同的数据集:
　　python库由3个对象组成:
　　●TrainDataset (dataloader.py):为培训准备数据流
　　●TestDataSet (dataloader.py):为评估准备数据流
　　●KGEModel (model.py):计算三重评分并提供训练/测试API
　　py文件包含main函数，它解析参数、读取数据、初始化模型并提供训练循环。
　　def TransE(self, head, relation, tail, mode):
　　if mode == 'head-batch':
　　score = head + (relation - tail)
　　else:
　　score = (head + relation) - tail
　　score = self.gamma.item() - torch.norm(score, p=1, dim=2)
　　return score
　　引用
　　如果您使用代码，请引用以下：
[email protected]{
　　sun2018rotate,
　　title={RotatE: Knowledge Graph embedding by Relational Rotation in Complex Space},
　　author={Zhiqing Sun and Zhi-Hong Deng and Jian-Yun Nie and Jian Tang},
　　booktitle={International Conference on Learning Representations},
　　year={2019},
　　url={/forum?id=HkgEQnRqYQ},
　　}
　　像这样添加你自己的模型到model.py: