在线教育知识付费系统源码附搭建教程

浏览:101 发布日期:2022/05/19 分类:技术分享 关键字: 知识付费源码
  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:
最佳答案
评论( 相关
后面还有条评论,点击查看>>