今天是2023年11月26日，星期日，天津，天气晴。
我们回到知识图谱这个话题。
本文主要围绕知识图谱表示的落地应用这一主题展开论述，介绍其中的两个重要场景，并结合实际的案例出发进行展示，以加深理解。
知识图谱表示学习，能够将实体和关系嵌入到一个低维空间，使得相似的实体和关系尽可能相近。基于这样一种假设，我们可以得到知识补全以及实体推荐这两个主要应用点。
1、实体补全
实体补全问题，是知识图谱推理的一个形式化表现，包括边的预测和实体或属性的预测两种。形式化出来就是给定
在具体实现上，知识图谱补全任务用来预测三元组（h，r，t）中缺失实体h，t或r的任务，对于每个待测试三元组，每个评测三元组，移去头部实体（迭代的方式替换尾部实体）、轮流替换成词表中的其他实体，构建错误的三元组实体。利用关系函数计算头部实体和尾部实体的相似度，对于这个相似度来讲，正确的三元组的值应该比较小，而错误样本的相似度值会比较大。用关系函数对所有的三元组（包括正确的三元组和错误的三元组）进行计算，并按照升序排序。因此，针对这个结果，就延伸出来了hit@k、MRR等评估指标。
2、实体推荐
这个在具体的实现上，可以基于预先训练好的实体向量，再加入相似度计算方式得到，也可以融合字面相似度，利用fasttext、word2vec等策略现。
下面以FB15k-237这一数据集，采用TransE表示学习训练的过程进行流程介绍。
该方法的输入包括三元组triples.txt，实体文件entity和关系文件relation三部分组成，后面两者可以从第一个文件中处理得到。如下表示了一个三元组文件：
例如：relation_embedding.narray，大小为关系数量＊向量维度
首先，我们可以进一步形成向量文件以供相似检索使用，例如：将实体embedding转换为对应的向量文件
通过gensim内置的cosine相似度方法，可以快速的召回向量相似的实体或者关系类型，例如：
1）实体召回
由于利用不同表示学习方法得到的向量表示文件并不相通，其在训练阶段是通严格通过对应的评分函数来进行约束的，因此在测试阶段，将训练得到的向量进行加载，应用评分函数进行计算，得到对应的实体id及其score得分，然后根据id映射关系回查到对应的实体即可。
例如，对于（美国，首都，？）这个三元组，会有北京、华盛顿、洛杉矶、巴黎、费城等多个候选城市，可以通过组合，然后进行得分排序，进行输出。理想情况下，华盛顿的得分会最高。
本文主要介绍了关于知识图谱表示训练的过程，以及两个主要应用场景。
不过，我们可以发展，无论是知识推理，还是实体推荐，其都面临一个很大的现实问题，即增量更新。
因为，在落地上，还存在增量更新的问题，后续图谱是会不断增量更新的，如何适应增量更新，快速得到的质量较好的表示是一个重大挑战。