2.3 Training and regularizationOur

2.3 Training and regularization
Our training objective is decomposed in two parts:
the first one is the ranking criterion on triples of
TRANSE, ignoring quadruples. Paths are then
taken into account through additional regularization
terms.
Denoting by S the set of facts in the KB, the
first part of the training objective is the following
ranking criterion that operates on triples
X
(h,`,t)∈S
(h
0
,`,t0
)∈S(h,`,t)

γ + d(h, `, t) − d(h
0
, `, t0
)

+
,
where [x]+ = max(x, 0) is the positive part of
x, γ is a margin hyperparameter and S(h,`,t)
is the
set of corrupted triples created from (h, `, t) by replacing
either h or t with another KB entity.
This ranking loss effectively trains so that the
embedding of the tail is the nearest neighbor of the
translated head, but it does not guarantee that the
distance between the tail and the translated head is
small. The nearest neighbor criterion is sufficient
to make inference over simple triples, but making
sure that the distance is small is necessary for the
composition rule to be accurate. In order to account
for the compositionality of relationships, we
add two additional regularization terms:
• λ
P
(h,`,t)∈S d(h, `, t)
2
• α
P
(h,{`1,`2},t)∈S N`→{`1,`2}d(h, {`1, `2}, t)
2
.

Kết quả (Việt) 1:

2.3 đào tạo và regularizationMục tiêu đào tạo của chúng tôi bị phân hủy trong hai phần:người đầu tiên là các tiêu chí xếp hạng trên ba củaTRANSE, bỏ qua quadruples. Đường dẫn sau đóđưa vào tài khoản thông qua bổ sung regularizationđiều khoản.Nghĩa của S là tập hợp các dữ kiện trong KB, cácphần đầu tiên của mục tiêu đào tạo là sauXếp hạng tiêu chí hoạt động trên baX(h,', t) ∈S(h0,', t0) ∈S(h,',t)Γ + d (h, ', t) − d (h0, ', t0)+,nơi [x] + = tối đa (x, 0) là một phần tích cực củax, γ là một lề hyperparameter và S(h,',t)là cáctập hợp các hỏng triples tạo từ (h, ', t) bằng cách thay thếh hoặc t với một KB thực thể.Điều này mất xếp hạng hiệu quả đào tạo để cácnhúng của đuôi là những người hàng xóm gần nhất của cácdịch đầu, nhưng nó không đảm bảo rằng cáckhoảng cách giữa đuôi và đầu dịch lànhỏ. Các tiêu chí hàng xóm gần nhất là đủđể làm cho suy luận qua ba đơn giản, nhưng làmchắc chắn rằng khoảng cách nhỏ là cần thiết cho cácthành phần các quy tắc để được chính xác. Để tài khoảncho compositionality của mối quan hệ, chúng tôithêm hai bổ sung regularization điều khoản:• ΛP(h,', t) ∈S d (h, ', t)2• ΑP(h, {'1,'2}, t) ∈S N'→ {'1,'2} d (h, {'1, ' 2}, t)2.

Kết quả (Việt) 2:

2.3 Đào tạo và quy tắc
mục tiêu đào tạo của chúng tôi đang phân hủy trong hai phần:
đầu tiên là các tiêu chí xếp hạng trên bộ ba của
Transe, bỏ qua tăng gấp bốn. Paths sau đó được
đưa vào tài khoản thông qua các quy tắc bổ sung
các điều khoản.
Biểu thị bởi S tập hợp các sự kiện trong KB,
phần đầu của mục tiêu đào tạo là sau
tiêu chí xếp hạng mà hoạt động trên bộ ba
X
(h, `, t) ∈S
(h
0, `, t0) ∈S (h,`, t) γ + d (h, `, t) - d (h 0,`, t0) +, nơi [x] + = max (x, 0) là phần dương của x, γ là một hyperparameter margin và S (h, `, t) là tập hợp các bộ ba bị lỗi được tạo ra từ (h,`, t) bằng cách thay thế một trong hai h hay t với một thực thể KB. mất xếp hạng này có hiệu quả đào tạo để nhúng các đuôi là láng giềng gần nhất của người đứng đầu dịch, nhưng nó không đảm bảo rằng khoảng cách giữa đuôi và đầu dịch là nhỏ. Các tiêu chí hàng xóm gần nhất là đủ để làm cho suy luận hơn gấp ba đơn giản, nhưng làm cho chắc chắn rằng khoảng cách là nhỏ là cần thiết cho các quy tắc thành phần là chính xác. Để chiếm cho compositionality của các mối quan hệ, chúng ta thêm hai điều kiện theo quy tắc bổ sung: • λ P (h, `, t) ∈S d (h,`, t) 2 • α P (h, {`1,` 2 }, t) ∈SN` → {`1,` 2} d (h, {`1,` 2}, t) 2.