### TransE模型的MR和MRR计算 在知识图谱嵌入方法中，TransE是一种经典的翻译距离模型。为了评估其性能，通常会使用Mean Rank (MR) 和 Mean Reciprocal Rank (MRR) 这两个指标来衡量预测三元组的质量。 以下是基于Python实现TransE模型并计算MR和MRR的一个示例代码： #### 数据准备与模型训练 假设已经通过`TransE`模型完成了实体和关系的向量表示，并得到了测试集中的三元组列表 `(h, r, t)` 表示头实体、关系和尾实体。 ```python import numpy as np def calculate_scores(head_embeddings, relation_embeddings, tail_embeddings): """ 使用TransE的距离函数计算得分。 得分越低越好。 """ scores = np.linalg.norm( head_embeddings + relation_embeddings - tail_embeddings, axis=1 ) return scores def compute_rank(scores, true_index): """ 计算真实三元组的排名位置。 参数: - scores: 所有候选三元组的得分数组。 - true_index: 真实三元组的位置索引。 返回: - rank: 排名位置。 """ sorted_indices = np.argsort(scores) rank = np.where(sorted_indices == true_index)[0][0] + 1 # 转换为1-based ranking return rank def evaluate_transE(model, test_triples, entity_to_idx, relation_to_idx): """ 对给定的TransE模型进行评价，返回MR和MRR。 """ ranks = [] for triple in test_triples: h, r, t = triple # 获取对应的embedding head_embedding = model['entity'][entity_to_idx[h]] rel_embedding = model['relation'][relation_to_idx[r]] # 替换头部或尾部实体以生成所有可能的候选三元组 all_entities = list(entity_to_idx.keys()) candidate_head_embeddings = np.array([model['entity'][entity_to_idx[e]] for e in all_entities]) candidate_tail_embeddings = np.array([model['entity'][entity_to_idx[e]] for e in all_entities]) # 头部替换评分 head_scores = calculate_scores(candidate_head_embeddings, rel_embedding, model['entity'][entity_to_idx[t]]) head_true_index = entity_to_idx[h] head_rank = compute_rank(head_scores, head_true_index) # 尾部替换评分 tail_scores = calculate_scores(model['entity'][entity_to_idx[h]], rel_embedding, candidate_tail_embeddings) tail_true_index = entity_to_idx[t] tail_rank = compute_rank(tail_scores, tail_true_index) # 取平均rank作为当前triple的结果 avg_rank = (head_rank + tail_rank) / 2 ranks.append(avg_rank) mr = np.mean(ranks) mrr = np.mean(1.0 / np.array(ranks)) return mr, mrr # 假设我们有一个预训练好的TransE模型字典结构如下： # { # 'entity': {entity_id: embedding_vector}, # 'relation': {relation_id: embedding_vector} # } test_triples = [('e1', 'r1', 'e2'), ('e3', 'r2', 'e4')] # 测试三元组 entity_to_idx = {'e1': 0, 'e2': 1, 'e3': 2, 'e4': 3} # 实体到索引映射 relation_to_idx = {'r1': 0, 'r2': 1} # 关系到索引映射 # 预训练的TransE模型（简化版） pretrained_model = { 'entity': { 0: np.random.rand(10), # e1 的embedding 1: np.random.rand(10), # e2 的embedding 2: np.random.rand(10), # e3 的embedding 3: np.random.rand(10) # e4 的embedding }, 'relation': { 0: np.random.rand(10), # r1 的embedding 1: np.random.rand(10) # r2 的embedding } } mr, mrr = evaluate_transE(pretrained_model, test_triples, entity_to_idx, relation_to_idx) print(f'Mean Rank (MR): {mr}') print(f'Mean Reciprocal Rank (MRR): {mrr}') ``` 上述代码实现了以下功能： - 定义了一个用于计算TransE得分的方法 `calculate_scores`[^1]。 - 提供了针对单个三元组的真实排名计算逻辑 `compute_rank`[^1]。 - 构建了完整的评估流程 `evaluate_transE` 来批量处理多个测试三元组，并最终得到MR和MRR值。 #### 输出解释 运行以上脚本后，将会打印出MR和MRR的具体数值。这些指标可以帮助理解模型对于链接预测任务的表现情况。 --- ### 问题