单调仿射变换交互

class MonotonicAffineTransformationInteraction(base: Interaction[HeadRepresentation, RelationRepresentation, TailRepresentation], initial_bias: float = 0.0, trainable_bias: bool = True, initial_scale: float = 1.0, trainable_scale: bool = True)

基础：Interaction[HeadRepresentation, RelationRepresentation, TailRepresentation]

一个交互函数的适配器，它添加了一个可训练的单调仿射变换的分数。

\[score(h, r, t) = \alpha \cdot score'(h, r, t) + \beta\]

此适配器适用于诸如BCE之类的损失函数，其中存在固定的决策阈值，或基于边距的损失函数，其中边距不被视为超参数，而是可训练的参数。这在得分函数的值范围事先未知的情况下特别有用，因此选择合适的边距变得困难。

单调性是保持原始评分函数排序的必要条件，从而确保在转换后更可信的三元组仍然更可信。

例如，我们可以向基于距离的交互函数添加一个偏置，以启用正值：

>>> base = TransEInteraction(p=2)
>>> interaction = MonotonicAffineTransformationInteraction(base=base, trainable_bias=True, trainable_scale=False)

当与BCE损失结合时，我们可以几何地考虑在\(h + r\)处预测一个（软）球体，其半径等于变换的偏差。当我们添加一个可训练的尺度时，模型可以控制决策边界本身的“软度”。

初始化交互。

Parameters:

• base (Interaction[HeadRepresentation, RelationRepresentation, TailRepresentation]) – 基础交互。

• initial_bias (float) – 偏置的初始值。

• trainable_bias (bool) – 偏置是否应该是可训练的。

• initial_scale (float) – >0 比例的初始值。必须严格为正数。

• trainable_scale (bool) – 比例是否应该是可训练的。

方法总结

forward(h, r, t)	计算给定头、关系和尾的广播表示的三元组分数。
reset_parameters()	重置交互函数可能具有的参数。

方法文档

forward(h: HeadRepresentation, r: RelationRepresentation, t: TailRepresentation) → Tensor

计算给定头、关系和尾的广播表示的三元组得分。

一般来说，每个交互函数（类）对头、关系和尾表示都有一定的格式要求。这种格式由表示的数量和形状组成。

许多简单的交互函数，如TransEInteraction，操作于单一表示上，然而也有像TransDInteraction这样的交互，它需要每个槽的两个表示，或者像PairREInteraction这样的交互，它需要两个关系表示，但分别只需要一个头实体和尾实体的表示。

每个单独的表示都有一个形状。这可以是一个简单的\(d\)维向量，也可以包括矩阵，甚至是高阶张量。

此方法支持通用的批量计算，即每个表示可以有一个前面的批量维度。这些批量维度不一定需要完全相同，但它们需要是可广播的。关于广播规则的良好解释可以在NumPy的文档中找到。

另请参阅

• Representations 提供了关于如何获取个体表示的不同方式的概述。

Parameters:

• h (HeadRepresentation) – 形状: (*batch_dims, *dims) 头部表示。

• r (RelationRepresentation) – 形状: (*batch_dims, *dims) 关系表示。

• t (TailRepresentation) – 形状: (*batch_dims, *dims) 尾部的表示。

Returns:

形状: batch_dims 分数。

Return type:

Tensor

reset_parameters()

重置交互函数可能具有的参数。