伯努利负采样器
- class BernoulliNegativeSampler(*, mapped_triples: Tensor, **kwargs)[源代码]
基础类：
NegativeSampler由[wang2014]提出的伯努利负采样方法的实现。
在关系 \((h,r,t) \in \mathcal{K}\) 中，破坏头 \(h\) 或尾 \(t\) 的概率由关系 \(r\) 的全局属性决定：
\(r\) 是一对多的关系（例如motherOf）：更高的概率被分配给替换\(h\)
\(r\) 是多对一的（例如 bornIn）：分配了更高的概率来替换 \(t\)。
更准确地说，对于每个关系 \(r \in \mathcal{R}\)，首先计算每个头的平均尾数 (
tph) 和每个尾的平均头数 (hpt)。然后，头部损坏概率 \(p_r\) 定义为 \(p_r = \frac{tph}{tph + hpt}\)。 尾部损坏概率定义为 \(1 - p_r = \frac{hpt}{tph + hpt}\)。
对于每个三元组 \((h,r,t) \in \mathcal{K}\)，头部以概率 \(p_r\) 被破坏，尾部以概率 \(1 - p_r\) 被破坏。
如果
filtered设置为True，所有作为实际正三元组存在的被提议的损坏三元组 \((h,r,t) \in \mathcal{K}\) 将被移除。使用给定的实体初始化伯努利负采样器。
- Parameters:
mapped_triples (Tensor) – 正训练三元组
kwargs – 传递给
pykeen.sampling.NegativeSampler的额外基于关键字的参数。
方法总结
corrupt_batch(positive_batch)从正样本批次中生成负样本，不应用任何过滤器。
方法文档