知识图谱嵌入学习实践指南：基于DeepGraphLearning/KnowledgeGraphEmbedding

项目基础介绍与编程语言

项目名称: 知识图谱嵌入（KnowledgeGraphEmbedding）

项目简介: 本项目提供了一个基于PyTorch实现的知识图谱嵌入工具包，特别强调了RotatE模型——一种通过复数空间中的关系旋转进行知识图谱嵌入的方法。它旨在实现多种流行的KGE模型，并以高效著称，能够在单个GPU上在几小时内训练大型的KGE模型。

主要编程语言: Python

关键技术和框架

• PyTorch: 动态计算图的深度学习框架，用于模型定义与训练。
• 知识图谱嵌入(KGE): 包括RotatE、pRotatE、TransE、ComplEx、DistMult等算法，用于将实体和关系映射到低维向量空间中。
• 负采样方法: 使用统一负面抽样或自适应对抗性负面抽样来优化模型训练过程。

安装与配置指南

准备工作

1. Python环境: 确保你的系统已安装Python 3.6及以上版本。
2. 虚拟环境(Virtual Environment): 推荐使用conda或virtualenv管理项目环境，以避免依赖冲突。
3. PyTorch: 安装适合你系统的PyTorch版本。可以通过访问PyTorch官网找到安装指令。
4. Git: 用于克隆项目仓库。

步骤一：克隆项目

打开命令行工具，执行以下命令克隆项目到本地：

git clone https://github.com/DeepGraphLearning/KnowledgeGraphEmbedding.git
cd KnowledgeGraphEmbedding

步骤二：创建并激活虚拟环境

使用Conda（推荐）

conda env create -f environment.yml
conda activate KnowledgeGraphEmbedding

如果没有environment.yml文件，则需要手动安装依赖项。

手动安装依赖

如果上述环境文件不可用，可安装基本依赖项：

pip install -r requirements.txt

步骤三：配置数据集

• 下载所需知识图谱数据集，如FB15k，并将其解压到项目的data/目录下。
• 根据数据集结构准备train.txt, valid.txt, 和 test.txt 文件。

步骤四：运行模型

训练一个模型

确保拥有CUDA环境并且正确设置CUDA_VISIBLE_DEVICES环境变量，然后运行训练脚本：

CUDA_VISIBLE_DEVICES=0 python -u codes/run.py --do_train \
    --cuda \ 
    --do_valid \
    --do_test \
    --data_path data/FB15k \
    --model RotatE \
    -n 256 -b 1024 -d 1000 \
    -g 24.0 -a 1.0 -adv \
    -lr 0.0001 --max_steps 150000 \
    -save models/RotatE_FB15k_0 --test_batch_size 16 -de

测试模型

测试之前训练好的模型，首先确定模型保存路径，然后执行：

CUDA_VISIBLE_DEVICES=$GPU_DEVICE python -u codes/run.py --do_test --cuda -init models/RotatE_FB15k_0

至此，您已经完成了项目的安装与配置，并可以开始探索和训练您的第一个知识图谱嵌入模型。记得根据具体需求调整运行脚本中的参数。