В данной статье рассматриваются алгоритмы моделирования графа знаний, основанные на моделях со скрытым расстоянием. Демонстрируется представление внедряемых сущностей в векторном пространстве. Описывается роль использования триплетов, содержащих сущности и отношения, для построения графа. Для каждого из алгоритмов приводится функция вычисления обучаемой модели. Модель TransE представляет собой первоначальную реализацию с использованием триплетов (h, r, t) для представления отношений в виде трансляций в векторном пространстве и является базовой для всех остальных. В моделях TransH и TransR для реализации графа знаний подчеркивается необходимость использования гиперплоскостей. Так, например, отношение моделируется как вектор на собственной гиперплоскости. На примере модели TransD демонстрируется использование матрицы динамического отображения для внедрения сущностей. При обучении модели внедрению именованных символьных объектов (сущностей или отношений) TransD может учитывать их разнообразие. В модели KG2E приводится пример с использованием распределения Гаусса. В качестве меры расстояния используются расстояние Кульбака – Лейблера и оценочная вероятность. В заключение делаются выводы по каждой из представленных моделей. Подчеркиваются преимущества каждой из описанных моделей.

The article discusses knowledge graph modeling algorithms based on latent distance models. The representation of embedded entities in vector space is demonstrated. The role of using triplets containing entities and relationships for graph construction is described. For each of the algorithms, the calculation function for the training model is given. The TransE model is an initial implementation which use triplets (h, r, t) to represent relationships in the form of translations in a vector space and it is basic for all others. TransH and TransR models emphasize the need for hyperplanes to implement the knowledge graph. So, for example, a relation is modeled as a vector on its own hyperplane. Using the TransD model as an example, the use of a dynamic mapping matrix for implementing entities is demonstrated. During the learning embeddings of named symbol objects (entities or relations), TransD could considers the diversity of them both. The KG2E model provides an example using the Gaussian distribution. The Kullback – Leibler distance and the estimated probability are used as a distance measure. Finally, draws conclusions for each of the presented models. The advantages of each described model are highlighted.