用于Knowledge Graph Embedding的向量表示庫有很多，比如：

• LibKGE
• GraphVite
• AmpliGraph
• OpenKE
• pykeen
• pykg2vec

LibKGE的主要目的是為了助力知識圖譜表示模型復現研究并提供訓練方法。

LibKGE提供整潔的訓練實現，超參優化和評估策略。并且所有的現在的啟發式實現都是基于本地配置文件，符合了軟件的開閉原則，不同的參數，模型選擇，只需要修改配置文件即可。

一、主要特點

1、訓練

訓練方法：負采樣、1vsALL，KvsALL
損失函數：交叉熵損失函數、KL散度、Margin Ranking、平方差
優化器、學習率可以根據不同任務獨立選擇
學習率預熱 （LR warmup）
支持斷點恢復
自動內存管理

2、調參

網格搜索、隨機搜索、手動搜索、貝葉斯優化
并行化（多CPU/GPU）
斷點恢復

3、評估

平均倒數排名、HITS@K

4、支持的KGE模型

RESCAL、TransE、TransH、DistMult、ComplEx、ConvE、SimplE、CP、RotatE、Transformer

---

---

---

參考資料：
知識圖譜表示學習（1）——LIBKGE的使用

總結

以上是生活随笔為你收集整理的知识图谱-第三方工具：LibKGE（用于Knowledge Graph Embedding）【包含多种模型：TransE、DistMult、ComplEx、ConvE、Transformer等】的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。