以下是配置中使用的參數

Nurrmohammad

模型評估 我們使用的函式庫允許我們透過對一個正面元素（例如，正確的陳述）相對於人工產生的否定（錯誤的陳述）清單進行評分和排名來評估模型。 AmpliGraph 的評估效能函數將破壞三元組（產生錯誤語句）以檢查模型的行為。 當資料在訓練和測試之間進行分割（經典的 80:20 分割）時，我們可以使用測試資料集來評估模型並微調其參數。 我在訓練中保留了大部分超參數不變，但在訓練之前，我已經清理了資料以改善評估指標。具體來說，我做了兩件事： 將分析限制為僅能真正幫助我們理解內容中的關係的三元組。舉個例子，在我們的知識圖中，我們儲存每個頁面和對應圖像之間的關係；雖然在其他情況下很有幫助，但對於建構我們的內容中心來說，此資訊是不必要的，已被刪除。 當我載入資料時，我還為我決定使用的謂詞創建了所有逆關係。

這是我決定使用的謂詞清單。如您所見，此列表包含 AmpliGraph 在將 KG 載入記憶體時所 丹麥 電話號碼 建立的「_reciproal」謂詞。 由於這些優化，我能夠提高排名分數。 如何創建內容中心 現在我們有了像 KGE 這樣強大的新工具，讓我們開始實踐，看看如何使用它們來創建我們的內容中心。我們將透過三個主要步驟審核我們已有的內容來做到這一點： 透過預測新事實來熟悉模型。這些是以前從未見過的關係，我們希望對它們進行排名，以了解它們真實的可能性有多大。透過這樣做，我們可以立即探索我們可以為每個集群處理哪些概念清單。 使用 TensorFlow Embedding Projector發現子主題和關係。為了實現更直觀的探索過程，我們將使用開源Web 應用程式進行互動式視覺化，這將幫助我們分析嵌入中的高維度數據，而無需安裝和運行 TensorFlow 聚類主題。



我們想要審核圖表中的鏈接，看看我們有哪些內容以及如何對它們進行分組。聚類發生在實體和關係的嵌入空間。在我們的範例中，我們將使用 150 維 (k=150) 的嵌入空間對模型的實體進行聚類；我們將在 150 維空間上應用聚類演算法來建立節點的二維表示。 讓我們開始預測新事實 為了熟悉我們的模型，我們可以做出第一個預測。下面是它的工作原理。我們將根據對圖中所有連結的分析來檢查以下陳述正確的可能性。 語意搜尋引擎優化 > 提及 > 內容行銷 精確度與回想率 > 關係倒數 > 自然語言處理 andrea_volpini > 隸屬關係 > wordlift Rankbrain > 關係 > 蜂鳥 大數據 > 關係 > 搜尋引擎優化 我使用 schema.org 詞彙表中的一個謂詞（屬性提及）和都柏林核心詞彙表中的一個謂詞（屬性關係及其倒數）來表達兩個概念之間的關係。我還使用更具體的屬性（來自 schema.org 的從屬關係）來評估 Andrea 和 WordLift 之間的連結。 讓我們回顧一下結果。