imtoken钱包登录入口|kgc

首页
kgc

imtoken钱包登录入口|kgc

作者： imtoken钱包登录入口

2024-03-07 19:29:58

关于双碳中的一些单位换算_碳中和两的单位是什么-CSDN博客

关于双碳中的一些单位换算

最新推荐文章于 2023-10-19 14:04:36 发布

VIP文章

GISerQ.

最新推荐文章于 2023-10-19 14:04:36 发布

阅读量4.4k

点赞数

分类专栏：

小结

文章标签：

双碳计算

单位换算

碳和二氧化碳

gC/m²

本文链接：https://blog.csdn.net/qq_44894692/article/details/128728799

版权

双碳计算中涉及到的单位换算

在双碳（碳中和与碳排放）计算当中，经常会对吸收或者排放的碳 C或二氧化碳 CO₂进行定量表达，比如常用植被NPP（Net Primary Productivity，净初级生产力）来表示植被吸收了多少碳，一般用的单位是gC/m²，进行汇总碳吸收的单位有kg、Tg和Pg等。在进行双碳计算时会涉及到单位的换算，下面对双碳计算中常用的单位转换进行记录：

1. 单位换算

1 Mg (Megagram) = 1000 kg = 1t (tonne) 1 Gg (Gigagram) = 10^6 kg = 1kt 1 Tg (Teragram) = 10^9 kg = 1Mt 1 Pg (Petagram) = 10^12 kg = 1Gt 1 kg/m² = 10 t/ha 1 molC = 12 gC 1 tC/ha = 8.33 molC/m² 1 molC/m² = 120 kgC/ha 1 molCO₂/m² = 440 kgCO₂/ha

2. C与CO₂之间进行转换的关系：

1 CO₂ = 12/44 C 也就是说一个单位的CO₂等于12/44个单位的C，这是根据CO₂的摩尔质量进行转换计算的，这也符合IPCC的标准。

1 C = 44/12 CO₂ 原理同上，一个单位的C等于44/12个单位的CO₂ ，也是根据摩尔质量进行计算转换。

优惠劵

GISerQ.

关注

踩

觉得还不错?

一键收藏

打赏

知道了

关于双碳中的一些单位换算

在双碳（碳中和与碳排放）计算当中，经常会对吸收或者排放的碳 C或二氧化碳 CO₂进行定量表达，比如常用植被NPP（Net Primary Productivity，净初级生产力）来表示植被吸收了多少碳，一般用的单位是gC/m²，进行汇总碳吸收的单位有kg、Tg和Pg等。

复制链接

扫一扫

专栏目录

植被净初级生产力（NPP）的计算

weixin_43643727的博客

07-24

4万+

植被净初级生产力（NPP）指绿色植物在单位面积单位时间内通过光合作用积累的有机物质总量，扣除自养呼吸后剩余部分。有很多模型可估算NPP，其中朱文泉提出的CASA模型运用较为广泛，本文将介绍如何运用该方法求算区域的NPP。

（1）太阳总辐射（SOL）的计算，SOL数据可在中国气象数据网直接获取，也可通过日照百分率，利用经验模型求算。

进过以上处理以后，将辐射数据导入GIS，投影，并通过克里金插值法得到太阳总辐射的栅格数据。

...

常用压力单位换算表方法

课工场

|在线课程-Ekgc.cn|

手机网

BAKE

400-0073-888

校区查询

热点关注

首页

专业课程

人工智能

大数据

云计算

视频直播

JAVA分布式

软件测试

创意设计

互联网营销

专业教材

师资团队

免费课程

人工智能课研中心

Deeplearning

算法优化

课程详情

在线报名

大数据课研中心

Hadoop

Spark

Flink

数仓

北美大数据

在线报名

区块链课研中心

Golang

密码学

智能合约

课程详情

在线报名

云计算课研中心

Linux

Python

Shell

MySQL

课程详情

在线报名

视频直播课研中心

短视频制作

抖音引流

带货

变现

课程详情

在线报名

互联网软件课研中心

Java

微服务

大前端

软件测试

Java+分布式开发

全栈测试工程师

项目智库

在线报名

创意设计课研中心

UE4

U3D

交互

游戏UI

课程详情

在线报名

互联网营销课研中心

微信营销

电商

SEO

SEM

社群

课程详情

在线报名

代码编程课研中心

Python

C++

Java

课程详情

在线报名

申请工信部证书职业技能证书

联手阿里云 ACA/ACP认证

加强数字人才培养助力数字中国建设程序员初入职场“保命”必看课工场新闻新闻资讯News[新闻]读北大青鸟可申请工信部证书！政府背书、面试加分、拿企业津贴，含金量又提升了！[新闻]助力数字中国建设，推动职业教育发展，北大青鸟课工场责无旁贷！[职场]面试了70人，这个必答题的8个答案我总结给你北京大学博士行业资讯[入行] “指尖上的娱乐”变游戏化学习

[入行] 互联网3.0时代的数据库之图数据库

[入行]一文揭秘Hadoop家族大管家YARN

[入行]大数据是啥？来我的厨房看看就明白了More+小ke充电站

[高薪] 程序员工资为什么这么高？

[加薪] 如何找准职业方向，获得更高收入？

[面试] 面试前的准备 | 经验分享

[必备]互联网程序员必备的性能优化技术More+走近课工场走近课工场About专注于企业IT岗位专业人才培养三分钟了解课工场专注于企业IT岗位专业人才培养创始人简介中国IT职业教育领军人物智慧教材多所高校授课教材教学与研发教学与研发Strength导师实战经验丰富倾囊相授

总监级师资打造复合型互联网高端技术人才

大咖师资云集国内外互联网企业专家

北大青鸟研究院助力课程研发，提升学员就业智慧教材多所211高校授课教材课程体系更多课程课程体系Course紧跟企业需求获得学员认可学员服务学员服务Service个性化学习平台想你所想权威证书与学籍查询人工智能学习平台让学习过程更轻松题库个性化定制，系统化巩固知识教学就业教学就业Support提供贯穿学习到就业各阶段的服务支持学员综合竞争力提升

明星学员有梦想的人走的更远

学员活动IT生活不枯燥

职场攻略从面试到入职，助你稳步前行

薪情报告课工场六大领域就业薪资大数据高薪就业换一批友情链接丨合作高校更多

关于我们

课工场简介

服务条款

联系我们

产品&服务

APP下载

优质资源

大咖团队

在线课程

周边商城

帮助中心

新手上路

学习问题

京ICP备15057271号

京公网安备 11010802034997号

客服邮箱：ke@kgc.cn

课工场官网_北大青鸟旗下大学生专属品牌 - 课工场

首页

课程库

系列课程

职业路线

北大公开课

就业课

题库

学院

创意学院

新媒体学院

移动开发学院

VR超现实学院

金蛛互联网营销学院

大数据学院

起点测试学院

微社区

就业实训

北京课工场教育科技有限公司（简称“课工场”）简介北京课工场教育科技有限公司（简称“课工场”）是专注互联网教育的生态平台，汇聚了中国和北美数百位来自知名互联网企业的行业大咖，向寻求就业和技术提升的人群提供直播、录播、面授等多模式教学场景，并通过遍布全国的线下服务中心提供成熟学习服务，形成完善的“互联网+教育”解决方案。同时，课工场也为高校、企业、行业提供教育技术赋能，依托Transformer智能教育生态平台，打造智慧校园、企业大学、行业培训的教育场景，提供一站式教育解决方案。出身名门源自北大北京课工场教育科技有限公司（简称“课工场”）是由北京大学优秀校办产业北大青鸟集团全资建设的互联网教育平台，创始团队来自中国IT职业教育知名企业北大青鸟研究院。团队在泛IT职业教育领域深耕细作17年，始终秉持北京大学严谨的治学精神，深谙互联网+职业教育的运营之道，与北京大学保持良好的合作关系。北京大学教育学院师资力量派驻课工场，为课工场提供教育理论研究支持。创始人肖睿先生，北京大学教育学博士。北京课工场教育科技有限公司（简称“课工场”）kgc.cn创始人，总经理。长期供职于中国IT职业教育知名企业北大青鸟Aptech，现任北大青鸟Aptech副总裁，职业教育研究院院长。肖睿先生曾就读于吉林大学少年班，作为国内顶尖软件技术专家，早期曾领导北大方正核心产品研发，并受聘为北京大学软件学院特约讲师，有着20年IT职业教育产品管理和企业管理的经验。自主在线教育引擎2010年，北京课工场教育科技有限公司（简称“课工场”）正式启动在线教育生态系统。其前身是北京大学和北大青鸟集团共同投资建设的北大在线，经历了6年独立平稳运行，数百个版本迭代更新，超过百万学员在线学习，最终形成了支持O2O的多模式教学场景模式。引擎Transformer T3引擎，2015年3月课工场在京发布了第三版在线教育系统六大业务场景课工场，青鸟云课堂，合作伙伴服务，智慧校园，企业大学，行业培训六大核心功能微课管理系统，在线编程系统，学习行为大数据分析系统，咨询量管理系统，线下中心管理系统，学习社交系统。学习网站跨平台多副本式的场景式学习系统。移动APP支持移动学习场景的iOS，Android全平台学习利器，2016年8月发布4.0版本。原创在线课程库课工场的培养方向涵盖互联网企业的研发编程、产品运营、视觉创意、运维系统、职业素质和认证考试等6大领域，全部内容为课工场自有版权，由课工场认证师资授课设计录制。其涉及技术方向超过50个，单元课程超过1000门，形成了120个模块化课程体系，在线教学课程录制总时长超过80000分钟。虎踞大咖平台采用教学专家+企业专家+知名机构的模式。以100人师资团队为核心，邀请诸如腾讯、百度、华为、新浪、网易等知名企业专家进行技术分享，向用户人群传授知识。创新型O2O教材库课工场依托互联网平台，出版和在编几十种教材，形成了移动场景学习，资源数字化，二维码扫描可学的特色。就业课程产品北京课工场教育科技有限公司（简称“课工场”）拥有多年职业教育课程研发实力，结合17年用户学习行为数据分析和教学经验，课工场针对当前互联网领域热门岗位研发出贴合企业招聘需求的岗位课程。此类岗位课程内容由北京大学教育学院和课工场老师共同研发，所有案例全部来自一线互联网企业。整个岗位课程体系符合用户求职心理，帮助用户从无到有获得求职岗位技能。课工场互联网UIUE设计师就业课程是联合课工场、网易等项目组的多位资深设计总监、UI设计师、UE交互设计师、产品经理大牛倾力打造的精品课程，以让学员快速掌握移动UIUE设计师所需项目实战经验，从而满足互联网企业的设计师岗位需求为目标，解决求职痛点。网页游戏、特效、炫酷设计如何实现？这就是前端开发的秘密。课工场前端开发工程师岗位课，整合网络名师资源、开发系列前端课程，帮你破茧成蝶，快速掌握HTML5开发工程师的技能。拥有前端特技，就是互联网求职必杀技。不仅仅是Java，不仅仅是Web前端，也不仅仅是大数据，这就是课工场互联网+大数据开发工程师。本岗位课程由课工场邀请大数据领域大咖倾力打造，帮助学习者完成从小白到大数据开发工程师的蜕变。更多实战案例，让入职互联网岗位更有针对性。互联网+时代，云计算开发工程师缺口巨大。课工场为顺应时代发展，特邀行业前沿大咖，打造经典体系的云计算开发工程师课程，以体系深入的课程架构和内容，打造精品云计算开发课程，满足程序员职场晋升需求。线下服务中心北京课工场教育科技有限公司（简称“课工场”）不仅重视线上学习服务体系的打造，2015以来，课工场陆续建立起各大线下服务中心，编织起一张遍布全国地区的教育服务网络，完成教育O2O的闭环打造。（北京航天桥）线下服务中心（北京北资）线下服务中心（北京五道口）线下服务中心（北京唐城）线下服务中心（北京双桥）线下服务中心（北京中关村）线下服务中心（北京学院路）线下服务中心（北京昌平）线下服务中心（北京天安门）线下服务中心（北京大学城）线下服务中心（北京华腾）线下服务中心（北京佳音旗舰）线下服务中心（北京优越）线下服务中心（武汉光谷）线下服务中心（武汉武设）线下服务中心（南京中博）线下服务中心（南京文鼎）线下服务中心（南京协同）线下服务中心（深圳南山）线下服务中心（深圳华强北）线下服务中心（深圳罗湖）线下服务中心（合肥协同）线下服务中心（徐州中博）线下服务中心（淮安翰唐）线下服务中心（广东珠江新城）线下服务中心（东莞莞城）线下服务中心（成都优越）线下服务中心（贵阳优越）线下服务中心（沈阳优越）线下服务中心（兰州优越）线下服务中心（长沙新途）线下服务中心（厦门华大）线下服务中心（福州华大）线下服务中心（烟台中北）线下服务中心（杭州德博）线下服务中心（石家庄翱翔）线下服务中心（上海云登）线下服务中心（上海优越）线下服务中心发展历程2017年2月：课工场深圳南山线下服务中心成立2017年1月：课工场郑州兰德线下服务中心成立2017年1月：课工场第一次合作伙伴年会在武汉召开2017年1月：课工场线上课程达到170000分钟2016年12月：课工场获得小米《2016教育行业突出贡献奖》2016年12月：课工场获得网易《2016年度最受信赖教育机构》2016年12月：课工场获得腾讯网《2016中国影响力教育品牌》2016年12月：课工场获得新浪网《2016中国影响力科技创新教育机构》2016年12月：课工场北京广安门线下服务中心成立2016年11月：课工场淮安瀚唐线下服务中心成立2016年11月：课工场用户突破100万2016年11月：课工场武汉光谷线下服务中心第二校区成立2016年10月：课工场西安省体线下服务中心成立显示更多2016年7月：课工场获得腾讯课堂首批教育培训机构认证2016年6月：课工场南京中央门线下服务中心成立2016年6月：课工场上线课程达到80000分钟2016年5月：入驻课工场的高校数量达到50家2016年5月：创新型O2O教材，互联网UI设计师系列教材出版，首批预定10万套2016年3月：与百度成为战略合作伙伴2016年3月：大数据开发工程师就业课程发布，线上线下多模式教学场景，培养大数据开发人才，数据挖掘人才2016年2月：与腾讯、网易成为战略合作伙伴2016年2月：前端开发工程师2.0就业课程发布2016年2月：课工场深圳华强北、北京昌平、北京天安门线下服务中心成立2015年12月：课工场荣膺腾讯网“2015年度竞争力在线教育品牌”2015年12月：课工场北京中关村、北京航天桥、北京唐城和武汉光谷线下服务中心成立2015年9月：课工场用户突破50万2015年8月：云计算工程师就业课程发布，线上线下多模式教学场景，培养高端云计算人才2015年7月：前端开发工程师就业课程发布，线上线下多模式教学场景，培养高薪H5前端开发工程师2015年5月：Python开发工程师在线学习课程上线2015年4月：课工场与腾讯课堂联合推出前端教育产品，学习用户突破10万2015年3月：课工场安卓和iOS手机APP上线2015年3月：Transformer T3 教育服务生态系统上线，能够支持100万用户学习2015年2月：PHP开发工程师在线学习课程上线2014年12月：北大青鸟集团注资课工场5000万元2014年8月：课工场上线课程达到20000分钟2014年6月：北京课工场教育科技有限公司成立2014年5月：网络营销师在线学习产品上线2013年4月：iOS开发工程师在线学习课程上线2012年6月：Android开发工程师在线学习课程上线2012年3月：Transformer T2 教育服务生态系统上线，能够支持30万用户学习2011年5月：Java开发工程师在线学习课程上线2011年4月：北大在线与北大青鸟职业教育研究院强强联合，并推出新品牌课工场2010年11月：北大青鸟职业教育研究院成立2010年8月：职业素养在线学习课程上线2010年6月：在线学习用户数量达到2万2010年3月：Transformer T1 教育服务生态系统上线，首批课程上线2009年：北大在线教育成立课工场简介Ekgc简介网站地图服务条款版权声明

关于我们

课工场简介

服务条款

联系我们

产品&服务

新课发布

专题推荐

功能更新

有奖活动

手机端下载

优质资源

金牌讲师

精品课程

公开课

周边商城

帮助中心

新手上路

学习问题

积分规则

如何获得K币

意见反馈

京ICP备15057271号

京公网安备 11010802034997号

关闭

QQ交流群

邀请好友

App下载

意见反馈

返回顶部

yload":{"allShortcutsEnabled":false,"fileTree":{"example/llm/CodeKGC":{"items":[{"name":"data","path":"example/llm/CodeKGC/data","contentType":"directory"},{"name":"README.md","path":"example/llm/CodeKGC/README.md","contentType":"file"},{"name":"README_CN.md","path":"example/llm/CodeKGC/README_CN.md","contentType":"file"},{"name":"codekgc.py","path":"example/llm/CodeKGC/codekgc.py","contentType":"file"},{"name":"codekgc_figure.png","path":"example/llm/CodeKGC/codekgc_figure.png","contentType":"file"},{"name":"config.json","path":"example/llm/CodeKGC/config.json","contentType":"file"}],"totalCount":6},"example/llm":{"items":[{"name":"CPM-Bee","path":"example/llm/CPM-Bee","contentType":"directory"},{"name":"CodeKGC","path":"example/llm/CodeKGC","contentType":"directory"},{"name":"InstructKGC","path":"example/llm/InstructKGC","contentType":"directory"},{"name":"LLMICL","path":"example/llm/LLMICL","contentType":"directory"},{"name":"UnleashLLMRE","path":"example/llm/UnleashLLMRE","contentType":"directory"},{"name":"assets","path":"example/llm/assets","contentType":"directory"},{"name":"README.md","path":"example/llm/README.md","contentType":"file"},{"name":"README_CN.md","path":"example/llm/README_CN.md","contentType":"file"},{"name":"requirements.txt","path":"example/llm/requirements.txt","contentType":"file"}],"totalCount":9},"example":{"items":[{"name":"ae","path":"example/ae","contentType":"directory"},{"name":"ee","path":"example/ee","contentType":"directory"},{"name":"llm","path":"example/llm","contentType":"directory"},{"name":"ner","path":"example/ner","contentType":"directory"},{"name":"re","path":"example/re","contentType":"directory"},{"name":"triple","path":"example/triple","contentType":"directory"}],"totalCount":6},"":{"items":[{"name":".github","path":".github","contentType":"directory"},{"name":"docker","path":"docker","contentType":"directory"},{"name":"docs","path":"docs","contentType":"directory"},{"name":"example","path":"example","contentType":"directory"},{"name":"pics","path":"pics","contentType":"directory"},{"name":"pretrained","path":"pretrained","contentType":"directory"},{"name":"src","path":"src","contentType":"directory"},{"name":".gitignore","path":".gitignore","contentType":"file"},{"name":"CITATION.cff","path":"CITATION.cff","contentType":"file"},{"name":"LICENSE","path":"LICENSE","contentType":"file"},{"name":"MANIFEST.in","path":"MANIFEST.in","contentType":"file"},{"name":"README.md","path":"README.md","contentType":"file"},{"name":"README_CN.md","path":"README_CN.md","contentType":"file"},{"name":"README_CNSCHEMA.md","path":"README_CNSCHEMA.md","contentType":"file"},{"name":"README_CNSCHEMA_CN.md","path":"README_CNSCHEMA_CN.md","contentType":"file"},{"name":"README_TAG.md","path":"README_TAG.md","contentType":"file"},{"name":"README_TAG_CN.md","path":"README_TAG_CN.md","contentType":"file"},{"name":"requirements.txt","path":"requirements.txt","contentType":"file"},{"name":"setup.py","path":"setup.py","contentType":"file"}],"totalCount":19}},"fileTreeProcessingTime":13.673995,"foldersToFetch":[],"repo":{"id":143090423,"defaultBranch":"main","name":"DeepKE","ownerLogin":"zjunlp","currentUserCanPush":false,"isFork":false,"isEmpty":false,"createdAt":"2018-08-01T01:54:52.000Z","ownerAvatar":"https://avatars.githubusercontent.com/u/41887875?v=4","public":true,"private":false,"isOrgOwned":true},"symbolsExpanded":false,"treeExpanded":true,"refInfo":{"name":"main","listCacheKey":"v0:1695267835.0","canEdit":false,"refType":"branch","currentOid":"0765f34dea23988a67c27cd5248d0a3ba70bbb38"},"path":"example/llm/CodeKGC/README_CN.md","currentUser":null,"blob":{"rawLines":null,"stylingDirectives":null,"csv":null,"csvError":null,"dependabotInfo":{"showConfigurationBanner":false,"configFilePath":null,"networkDependabotPath":"/zjunlp/DeepKE/network/updates","dismissConfigurationNoticePath":"/settings/dismiss-notice/dependabot_configuration_notice","configurationNoticeDismissed":null},"displayName":"README_CN.md","displayUrl":"https://github.com/zjunlp/DeepKE/blob/main/example/llm/CodeKGC/README_CN.md?raw=true","headerInfo":{"blobSize":"4.14 KB","deleteTooltip":"You must be signed in to make or propose changes","editTooltip":"You must be signed in to make or propose changes","ghDesktopPath":"https://desktop.github.com","isGitLfs":false,"onBranch":true,"shortPath":"cd60352","siteNavLoginPath":"/login?return_to=https%3A%2F%2Fgithub.com%2Fzjunlp%2FDeepKE%2Fblob%2Fmain%2Fexample%2Fllm%2FCodeKGC%2FREADME_CN.md","isCSV":false,"isRichtext":true,"toc":[{"level":1,"text":"CodeKGC-基于代码语言模型的知识图谱构建","anchor":"codekgc-基于代码语言模型的知识图谱构建","htmlText":"CodeKGC-基于代码语言模型的知识图谱构建"},{"level":2,"text":"数据与参数","anchor":"数据与参数","htmlText":"数据与参数"},{"level":2,"text":"使用与示例","anchor":"使用与示例","htmlText":"使用与示例"},{"level":2,"text":"引用","anchor":"引用","htmlText":"引用"}],"lineInfo":{"truncatedLoc":"120","truncatedSloc":"92"},"mode":"file"},"image":false,"isCodeownersFile":null,"isPlain":false,"isValidLegacyIssueTemplate":false,"issueTemplate":null,"discussionTemplate":null,"language":"Markdown","languageID":222,"large":false,"planSupportInfo":{"repoIsFork":null,"repoOwnedByCurrentUser":null,"requestFullPath":"/zjunlp/DeepKE/blob/main/example/llm/CodeKGC/README_CN.md","showFreeOrgGatedFeatureMessage":null,"showPlanSupportBanner":null,"upgradeDataAttributes":null,"upgradePath":null},"publishBannersInfo":{"dismissActionNoticePath":"/settings/dismiss-notice/publish_action_from_dockerfile","releasePath":"/zjunlp/DeepKE/releases/new?marketplace=true","showPublishActionBanner":false},"rawBlobUrl":"https://github.com/zjunlp/DeepKE/raw/main/example/llm/CodeKGC/README_CN.md","renderImageOrRaw":false,"richText":"\n English | 简体中文 \n\nCodeKGC-基于代码语言模型的知识图谱构建\n为了更好地处理知识图谱构建中的关系三元组抽取（RTE）任务，我们设计了代码形式的提示建模关系三元组的结构，并使用代码语言模型（Code-LLM）生成更准确的预测。代码形式提示构建的关键步骤是将（文本，输出三元组）对转换成Python中的语义等价的程序语言。\n\n\n\n数据与参数\n\n\n数据\nconll04数据集的样例数据存储在codekgc/data文件夹中。完整的数据可以在这里获取。用户可以定制自己的数据，但必须遵循给定的数据格式。\n\n\n参数\ncodekgc/config.json 文件包含了设置参数。加载文件和调用 openai 模型所需的参数通过此文件传递。\n以下是这些参数的描述：\n\n\nschema_path 定义了schema提示文件的文件路径。schema提示包含了预定义的 Python 类，包括 Relation 类、Entity 类、Triple 类和 Extract 类。\nschema提示的数据格式如下：\nfrom typing import List\nclass Rel:\n def __init__(self, name: str):\n self.name = name\nclass Work_for(Rel):\n...\nclass Entity:\n def __init__(self, name: str):\n self.name = name\nclass person(Entity):\n...\nclass Triple:\n def __init__(self, head: Entity, relation: Rel, tail: Entity):\n self.head = head\n self.relation = relation\n self.tail = tail\nclass Extract:\n def __init__(self, triples: List[Triple] = []):\n self.triples = triples\n\n\nICL_path 定义了上下文示例的文件路径。\nICL 提示的数据格式如下：\n\"\"\" In 1856 , the 28th President of the United States , Thomas Woodrow Wilson , was born in Staunton , Va . \"\"\"\nextract = Extract([Triple(person('Thomas Woodrow Wilson'), Rel('Live in'), location('Staunton , Va')),])\n...\n\n\nexample_path定义了 conll04 数据集中测试示例的文件路径。\n\n\nopenai_key 是用户的 OpenAI API 密钥。\n\n\nengine、temperature、max_tokens、n... 是调用 OpenAI API 时需要传递的参数。\n\n\n\n\n使用与示例\n当参数设置完成时，可以直接运行 codekgc.py 文件：\n>> cd codekgc\n>> python codekgc.py\n以下是使用代码形式提示进行关系三元组抽取（RTE）任务的输入和输出示例：\n输入：\nfrom typing import List\nclass Rel:\n...(schema prompt)\n\n\"\"\" In 1856 , the 28th President...\"\"\"\nextract = Extract([Triple(person('Thomas Woodrow Wilson'), Rel('Live in'), location('Staunton , Va')),])\n...(in-context examples)\n\n\"\"\" Boston University 's Michael D. Papagiannis said he believes the crater was created 100 million years ago when a 50-mile-wide meteorite slammed into the Earth . \"\"\"\n输出：\nextract = Extract([Triple(person('Michael D. Papagiannis'), Rel('Work for'), organization('Boston University')),])\n引用\n如果您使用该代码，请引用以下论文：\n@article{DBLP:journals/corr/abs-2304-09048,\n author = {Zhen Bi and\n Jing Chen and\n Yinuo Jiang and\n Feiyu Xiong and\n Wei Guo and\n Huajun Chen and\n Ningyu Zhang},\n title = {CodeKGC: Code Language Model for Generative Knowledge Graph Construction},\n journal = {CoRR},\n volume = {abs/2304.09048},\n year = {2023},\n url = {https://doi.org/10.48550/arXiv.2304.09048},\n doi = {10.48550/arXiv.2304.09048},\n eprinttype = {arXiv},\n eprint = {2304.09048},\n timestamp = {Mon, 24 Apr 2023 15:03:18 +0200},\n biburl = {https://dblp.org/rec/journals/corr/abs-2304-09048.bib},\n bibsource = {dblp computer science bibliography, https://dblp.org}\n}\n","renderedFileInfo":null,"shortPath":null,"symbolsEnabled":true,"tabSize":8,"topBannersInfo":{"overridingGlobalFundingFile":false,"globalPreferredFundingPath":null,"showInvalidCitationWarning":false,"citationHelpUrl":"https://docs.github.com/github/creating-cloning-and-archiving-repositories/creating-a-repository-on-github/about-citation-files","actionsOnboardingTip":null},"truncated":false,"viewable":true,"workflowRedirectUrl":null,"symbols":{"timed_out":false,"not_analyzed":false,"symbols":[{"name":"CodeKGC-基于代码语言模型的知识图谱构建","kind":"section_1","ident_start":152,"ident_end":205,"extent_start":150,"extent_end":4240,"fully_qualified_name":"CodeKGC-基于代码语言模型的知识图谱构建","ident_utf16":{"start":{"line_number":4,"utf16_col":2},"end":{"line_number":4,"utf16_col":25}},"extent_utf16":{"start":{"line_number":4,"utf16_col":0},"end":{"line_number":120,"utf16_col":0}}},{"name":"数据与参数","kind":"section_2","ident_start":649,"ident_end":664,"extent_start":646,"extent_end":2538,"fully_qualified_name":"数据与参数","ident_utf16":{"start":{"line_number":12,"utf16_col":3},"end":{"line_number":12,"utf16_col":8}},"extent_utf16":{"start":{"line_number":12,"utf16_col":0},"end":{"line_number":66,"utf16_col":0}}},{"name":"使用与示例","kind":"section_2","ident_start":2541,"ident_end":2556,"extent_start":2538,"extent_end":3349,"fully_qualified_name":"使用与示例","ident_utf16":{"start":{"line_number":66,"utf16_col":3},"end":{"line_number":66,"utf16_col":8}},"extent_utf16":{"start":{"line_number":66,"utf16_col":0},"end":{"line_number":96,"utf16_col":0}}},{"name":"引用","kind":"section_2","ident_start":3352,"ident_end":3358,"extent_start":3349,"extent_end":4240,"fully_qualified_name":"引用","ident_utf16":{"start":{"line_number":96,"utf16_col":3},"end":{"line_number":96,"utf16_col":5}},"extent_utf16":{"start":{"line_number":96,"utf16_col":0},"end":{"line_number":120,"utf16_col":0}}}]}},"copilotInfo":null,"copilotAccessAllowed":false,"csrf_tokens":{"/zjunlp/DeepKE/branches":{"post":"WQSNAiVx7fhnJ40BifSC_XEpPB0EiiazkA6PjiE50gL3PMM4rvbMB53MK5kz52KeaEdMlL-bDCJw13cRWOrDBA"},"/repos/preferences":{"post":"S2W9gm1PQMxQawyEiUw25qToLpm9-VojsWqcxhPV4sYl32l3cN0Ekvx2QKpuw0iYEw2bxVcK7mZuLLPPehZmdg"}}},"title":"DeepKE/example/llm/CodeKGC/README_CN.md at main · zjunlp/DeepK

金罗斯黄金(KGC)股票股价_股价行情_财报_数据报告 - 雪球

金(KGC)股票股价_股价行情_财报_数据报告 - 雪球首页行情行情中心筛选器新股上市买什么交易A股交易基金交易私募中心下载App扫一扫，下载登录/注册公司概况公司简介公司高管内部持股所属指数股票交易盘前交易盘后交易历史价格期权交易空仓数据内部交易市场预期财报公告SEC文件财报公告(中)财报公告(英)电话会议实录财务数据主要指标分红派息利润表资产负债表现金流量表雪球选股器研究分析收益预估评级变化研究报告APP专享大盘异动股价提醒购买指数相关ETF扫码下载雪球App查看详情金罗斯黄金(NYSE:KGC)可融资可卖空$5.33+0.14 +2.70% 2916 球友关注盘前交易 03-06 16:10:00 美东时间盘前交易5.44+0.11+2.06%最高：5.41今开：5.26成交量：2394.48万股换手：1.95%最低：5.24昨收：5.19成交额：1.28亿振幅：3.37%52周最高：6.34量比：1.25市盈率(TTM)：26.72市净率：1.0852周最低：3.40委比：-81.82%市盈率(静)：亏损市销率：1.54每股收益：0.20股息(TTM)：0.15每手股数：1总市值：65.44亿每股净资产：4.94股息率(TTM)：2.81%最小价差：0.01总股本：12.28亿机构持股：--Beta：--空头回补天数：--货币单位：USD分时五日日K周K月K季K年K120分60分30分15分5分1分区间统计全屏显示股票对比前复权前复权后复权不复权MABOLL成交量MACDKDJPEPSPCF总市值WRRSIBIASCCIPSY近1月近3月近6月近1年近3年近5年今年以来上市以来-简介Kinross Gold Corporation主要从事黄金开采和加工产业，对银矿石和勘探和收购是其副业，公司在美洲、俄罗斯联邦、西非和全世界的范围内开展金矿开采性质的业务。金罗斯的主要产品以金银矿石的原形运到炼油厂进行最终处理。金罗斯的业务策略是通过增加黄金储备,产品生产量,长期的现金流和每股收益来增加股东价值资产净值。金罗斯的战略还包括优化性能、提高现有的业务价值水平、投资质量勘探和开发项目以及获得新的潜在增加机遇的项目。金罗斯公司最初于1993年5月通过与CMP资源有限公司合并成立。公司网站：http://www.kinross.com公司地址：25 York Street

17th Floor

Toronto

Ontario

Canada M5J 2V5公司电话：1-416-3655123,1-303-8021445收起Kinross Gold Corporation主要从事黄金开采和加工产业，对银矿石和勘探和收购是其副业，公司在美洲、俄罗斯联邦、...展开

论文阅读：知识图谱补全（KGC）中GCN的再思考（2022） - 知乎

论文阅读：知识图谱补全（KGC）中GCN的再思考（2022） - 知乎首发于知识图谱&GNN切换模式写文章登录/注册论文阅读：知识图谱补全（KGC）中GCN的再思考（2022）小虎AI珏爷NLP，CV，语音，大数据，对话系统，KG，区块链，强化学习论文：Rethinking Graph Convolutional Networks in Knowledge Graph Completion代码：https://github.com/MIRALab-USTC/GCN4KGC小虎AI珏爷：谱域图卷积神经网络GCN通俗理解小虎AI珏爷：GCN图卷积节点分类模型代码（Pytorch）小虎AI珏爷：论文阅读：谱域GCN-图卷积网络的半监督分类小虎AI珏爷：论文阅读：空域GCN GraphSAGE（SAmple and aggreGatE）直推式图表示学习小虎AI珏爷：论文阅读：空域GCN-图注意力网络（GAT）小虎AI珏爷：GCN Pytorch实现（GCN、GraphSAGE、GAT）摘要图卷积网络（GCN）是一种有效的图结构建模方法，在知识图谱补全（KGC）中得到了越来越广泛的应用。基于GCN的KGC模型首先使用GCN生成表达性实体表示，然后使用知识图嵌入（KGE）模型捕获实体和关系之间的交互。然而，许多基于GCN的KGC模型虽然引入了额外的计算复杂性，但其性能无法超过最先进的KGE模型。这一现象促使论文探索GCN在KGC中的实际效果。因此，在本文中，论文以具有代表性的基于GCN的KGC模型为基础，引入变量来发现GCN中的哪个因素在KGC中是关键的。令人惊讶的是，从实验中观察到，GCNs中的图结构建模对KGC模型的性能没有显著影响，这与普遍的看法相反。相反，实体表示的转换负责提高性能。基于观察结果，论文提出了一个简单而有效的框架LTEKGE，该框架为现有的KGE模型配备了线性变换的实体嵌入。实验表明，LTE-KGE模型与基于GCN的KGC方法相比，在计算效率更高的情况下，性能得到了类似的改善。这些结果表明，现有的GCN对KGC是不必要的，基于GCN的新型KGC模型应依赖更多的消融研究来验证其有效性。关键词：知识图谱补全、GCN、知识图谱嵌入1 介绍知识图谱（KG）包含大量的事实三元组（头实体、关系、尾实体），广泛应用于许多领域，如电子商务、金融和社交网络。由于知识图通常是不完整的，手动查找所有事实三元组的成本很高，因此如何自动执行知识图补全（KGC）备受关注。在过去的几年中，人们提出了许多知识图补全模型。例如，知识图谱嵌入（KGE）因其简单有效而成为流行的KGC模型。KGE模型将实体和关系作为低维表示（嵌入）嵌入到知识图中，并在嵌入空间上定义评分函数来衡量三元组的合理性。一般来说，有效的三元组应该比无效的三元组得分更高。最近，图卷积网络（GCN）在KGC中越来越流行，因为GCN可以有效地建模图结构。如图1所示，基于GCN的KGC模型通常使用编码器-解码器框架，其中GCN和KGE模型分别用作编码器和解码器。具体而言，GCN基于其相邻实体和关系生成实体和关系的表达表示；KGE模型（如TransE、DistMult和Convi）使用GCN生成的表示对实体和关系之间的交互进行建模。值得注意的是，与仅从相邻节点聚合信息的经典GCN不同，KGC中的GCN考虑了知识图中的边（关系）。许多工作已经证明，在KGE模型之前添加GCN可以提高性能。图1：基于GCN的KGC的编解码器框架。GCN是基于图结构生成实体和关系表示的编码器。KGE模型是根据编码器生成的实体和关系表示来恢复知识图谱结构的解码器。预测的不可见链接用红色虚线标记。然而，尽管研究人员一直在努力优化GCN的体系结构和训练策略，但许多基于GCN的KGC模型都无法超越最先进的KGE模型。例如，在FB15k-237和WN18RR数据集上，基于最先进GCN的KGC模型CompGCN分别达到了0.355和0.479的平均倒数排名（MRR，越高越好），而最先进的KGE模型复合体+N3 达到了0.366和0.489的MRR。也就是说，与KGE模型相比，基于GCN的模型没有显示出太大的优势，同时引入了额外的计算复杂性。这一现象提出了一个值得考虑的问题：“GCN在KGC任务中的实际效果是什么？”在本文中，试图通过大量实验探索GCN在KGC中的实际效果。论文以具有代表性的基于GCN的KGC模型为基础，引入变量，以发现GCN的哪个因素在KGC中是关键的。令人惊讶的是，实验表明，GCN中使用的随机断开邻接张量对基于GCN的KGC模型的性能没有显著影响。通过进一步注意到邻接张量和图结构之间的双射，论文得出结论，虽然GCN提高了KGE模型的性能，但GCN中的图结构建模并没有考虑性能增益。这一结果推翻了GCNs的主要优势在于能够建模图结构的共识。此外，论文还测试了邻居信息和自循环信息的使用以及关系转换的效果。最后，论文发现，只要GCN能够通过其生成的实体表示来区分具有不同语义的实体，实体表示的转换就可以有效地提高KGE模型的性能。基于这些观察，论文提出了一个简单而有效的LTE-KGE框架，该框架为现有的KGE模型配备了线性变换的实体表示。实验表明，与基于GCN的模型相比，LTE-KGE模型的性能改进与KGE模型相似，同时避免了GCN聚合中的大量计算负载。此外，论文还表明，虽然LTE-KGE模型没有明确地聚合来自图邻域的信息，但它们的行为就像一个单一的GCN层。这些结果表明，现有的GCN对于KGC任务来说是不必要的，在为KGC设计复杂的GCN架构时，应该进行更多的消融实验。2 准备工作2.1 知识图谱（KG）给定一组实体 \mathcal{E} 和一组关系 \mathcal{R} ，知识图谱 \mathcal{K}=\left\{\left(e_{i}, r_{j}, e_{k}\right)\right\} \subset \mathcal{E} \times \mathcal{R} \times \mathcal{E} 是一组三元组，其中 e_{i} 和 r_{j} 是第个实体和第个关系。通常，称 e_{i} 和 e_{k} 为头部实体和尾部实体，以及使用 h_{i} 和 t_{k} 来区分它们。知识图谱可以由三阶二元张量 \mathcal{X} \in\{0,1\}^{|\mathcal{E}| \times|\mathcal{R}| \times|\mathcal{E}|} 唯一确定，也称为K的邻接张量。如果 \left(h_{i}, r_{j}, t_{k}\right) 是有效的， X_{i j k}=1 否则 \mathcal{X}_{i j k}=0 。2.2 知识图谱补全-Knowledge Graph Completion（KGC）KGC的目标是基于K中已知的三元组预测有效但未观察到的三元组。KGC模型为每个潜在三元组 \left(h_{i}, r_{j}, t_{k}\right) \in \mathcal{E} \times \mathcal{R} \times \mathcal{E} 定义了一个得分函数 s:\mathcal{E} \times \mathcal{R} \times \mathcal{E} \rightarrow \mathbb{R} 关联分数 s\left(h_{i}, r_{j}, t_{k}\right) 。分数衡量三元组的合理性。针对查询 \left(h_{i}, r_{j}, ?\right) 或 \left(?, r_{j}, t_{k}\right) ， KGC模型首先用知识图中的每个实体填充空白，然后对得到的三元组进行评分。有效的三元组预期得分高于无效的三元组。知识图谱嵌入（KGE）模型是流行的KGC模型，通过每个实体关系 e_{i} \in \mathcal{E} （头实体或尾实体）和关系 r_{j} \in \mathcal{R} 的嵌入 \mathbf{e}_{i} 和 \mathbf{r}_{j} 在精心挑选的嵌入空间上关联起来。然后，他们直接定义一个评分函数来建模实体和关系之间的交互。论文回顾了三个具有代表性的KGE模型，如下所示。2.2.1 TransETransE使用闵可夫斯基距离定义实数空间上的得分函数。具体而言，给定嵌入h、r、t，评分函数为：f(h, r, t)=-\|\mathbf{h}+\mathbf{r}-\mathbf{t}\|_{1 / 2}\\ 其中 \|\cdot\|_{1 / 2} 表示距离可以 L_{1} 或 L_{2} 距离。2.2.2 DistMultDistMult使用内积在实数空间上定义评分函数。具体而言，给定嵌入h、r、t，评分函数为：f(h, r, t)=\mathbf{h}^{\top} \mathbf{R} \mathbf{t}\\ 其中，R是对角线元素为r的对角矩阵。2.2.3 ConvEConvE使用卷积神经网络定义评分函数。评分函数为:f(h, r, t)=\sigma(\operatorname{vec}(\sigma([\overline{\mathbf{r}}, \overline{\mathbf{h}}] * \omega)) W)^{\top} \mathbf{t}\\ 其中表示激活函数，∗ 表示2D卷积，表示卷积层中的卷积核， \overline{.} 表示2D实向量，以及是一个可训练的权重矩阵。2.3 基于KGC的图卷积神经网络许多流行的GCN遵循迭代聚合和更新方案。在每次迭代中，使用从节点的邻域（节点和边）聚合的信息更新节点表示。将GCN应用于KG时，会对其进行修改，以建模实体和关系之间的交互。如图1所示，基于GCN的KGC模型通常使用编码器-解码器框架，其中GCN用作编码器，而KGE模型（如TransE、DistMult和ConvE）用作解码器。首先，编码器生成KG中实体和关系的表示。与在嵌入空间中直接使用可训练向量相比，GCN生成的表示有望捕获更多实体和关系周围的结构信息。然后，解码器使用生成的表示来预测邻接张量中的值。由于邻接张量与图结构之间存在一个双射，因此可以将预测视为对原始图结构的恢复。在恢复图结构时，解码器可以预测原始图中丢失的链接，即补全知识图谱。3 实验设置在本节中，将介绍论文实验设置，包括模型、损失函数、数据集和训练/评估协议。3.1 模型表1:KGC中三种流行GCN的嵌入更新过程。对于给定实体 , 集合N ( ) 由所有头实体和关系对组成(ℎ, ) 因此(ℎ, , ) 是有效的。集合N ( ) 由所有关系和尾部实体对组成( , ) 因此( , , ) 是有效的。W是可训练的线性变换。 / 是与方向相关的合成运算符。为了研究GCN（编码器）在KGC中的作用，论文研究了三种有代表性的模型，包括Relational-GCN (RGCN)、Weighted-GCN (WGCN)和CompGCN，所有这些模型都是专为多关系图设计的。具体而言，RGCN使用关系特定的线性变换扩展了vanilla GCN，而不考虑关系表示。WGCN将该关系视为边的可学习权重，并将vanilla GCN应用于简单加权图。CompGCN将实体和关系联合嵌入到知识图谱中，并使用组合操作符来建模实体和关系之间的交互。表1总结了这三个模型的嵌入更新过程。可以看到，嵌入更新过程有三个主要部分：1）从图邻域聚合信息，2）聚合实体表示的转换，以及3）关系表示的转换。至于KGE模型（解码器），论文使用三种流行的模型：TransE、DistMult和ConvE（简称T、D、C）。选择 L_{1} 函数的TransE获得最佳性能。3.2 损失函数许多现有的基于GCN的最新KGC模型使用以下二元交叉熵（BCE）损失： L =\frac{1}{|S|} \sum_{(h, r, \cdot) \in S}\left(\frac{1}{|\mathcal{E}|} \sum_{t \in \mathcal{E}} y(h, r, t) \cdot \log f(h, r, t). +(1-y(h, r, t)) \cdot \log (1-f(h, r, t))\right)\\ \tag{1} 其中是由所有已知有效三元组组成的集合， (ℎ, , ) 是三元组(ℎ, , )的标签. 标签平滑用于防止模型过拟合。标签 (ℎ, , ) 平滑为介于[0，1]之间的数字。利用这一损失，将训练集中未出现的所有三元祖视为负样本。3.3 数据集论文使用了两个流行的知识图谱补全数据集FB15k237（FB237）和WN18RR，它们分别是FB15k和WN18的子集。由于FB15k和WN18存在测试集泄漏问题，论文在实验中不包括FB15k和WN18的结果。附录A总结了这两个数据集的统计数据。3.4 训练和评估训练论文用DGL重新实现了RGCN、WGCN和CompGCN。由于论文的目标是隔离GCN的影响，而不是对基于GCN的KGC模型的性能进行基准测试，因此论文遵循原始GCN文件或官方实施提供的指导原则进行模型选择，并且不花时间调整超参数。由于在最初的论文或实现中没有关于WN18RR上RGCN的建议超参数，论文省略了相应的结果。尽管如此，这并不影响总体结论。值得注意的是，进一步调整超参数不会影响性能。首先，对于原始GCN模型，由于论文使用其建议的最佳超参数，重新实现的模型的性能与Vashishth等人中报告的性能相当（见第4.1节）。第二，对于模型变型，只要它们与原模型具有竞争性能，就可以得出结论。当前实现的性能已经满足了论文的要求。进一步调整这些变体的超参数可能会提高其性能，但对结论没有影响。此外，不调整模型变量的超参数的策略在重新访问现有模型的工作中被广泛使用。论文在实验中遵循他们的设置。评估对于每个三元组(ℎ, , ) 在测试集中，替换ℎ 或使用候选实体创建候选三元组。然后，根据候选三元组的得分按降序排列。论文使用“Filtered”设置，它不会在排名时考虑现有的有效三元组。论文使用Mean Rank (MR)， Mean Reciprocal Rank (MRR) 和 Hits at N (H@N)作为评估指标。较低的MR和较高的MRR/H@N表明性能更好。4 GCN在KGC中的实际效果表2：最先进的KGE和基于GCN的KGC模型之间的MRR比较。GCN可以生成有表现力的节点表示，这应该有利于下游任务。然而，如表2所示，尽管引入了额外的计算复杂性，但基于GCN的KGC模型与最先进的KGE模型相比并没有显示出很大的优势。例如，最先进的GCN模型CompGCN在FB237和WN18RR上的MRR分别为0.355和0.479，而KGE模型复合体+N3的MRR分别为0.366和0.489。结果提出了一个自然的问题：“GCN在KGC任务中的实际效果是什么？”为了回答这个问题，将其分解为以下两个子问题。GCN真的能带来性能提升吗？GCN的哪个因素在KGC中至关重要？4.1 GCN真的能带来性能提升吗？一些基于GCN的KGC工作显示出令人印象深刻的性能提升，而基线结果取自KGE模型的原始论文。由于高级训练策略可以显著提高KGE模型的性能，而基线KGE模型不使用这些策略，GCN的好处可能被高估。因此，论文进行实验来验证GCN是否真的比KGE模型带来了性能增益。表3：有（无）GCN的模型之间的MRR比较。“O”表示结果取自他们的原始论文，而“R”表示使用DGL复制结果。T： TransE。D： DistMult。C:ConvE。表3显示，在大多数情况下，GCN，尤其是最先进的CompGCN，显著提高了KGE模型的性能。值得注意的是，在FB237上，WGCN+TransE在原始和复制情况下的表现都比TransE差。WGCN+DistMult/ConvE在WN18RR上也可以观察到类似的现象。这表明，并非所有GCN都能提高所有KGE模型的性能。此外，DistMult和TransE的表现明显优于其报告的表现，表明了不同训练策略的影响。总之，第一个问题的答案是“是”。GCN确实为KGC任务带来了超过KGE模型的性能增益。4.2 GCN的哪个因素在KGC中至关重要？人们一致认为，GCN的性能改进主要来自于其对图结构建模的能力。然而，GCN的图结构建模在KGC中是否起关键作用的研究较少，而GCN的哪个因素在KGC中起关键作用的研究也不清楚。因此，论文进行了大量的实验来测试图结构、邻居信息、自循环信息和线性变换对关系的影响。4.2.1 图结构众所周知，GCN在建模图结构方面非常有效。因此，如果打破图结构，基于GCN的KGC模型的性能预计将显著下降。由于知识图的图结构信息由其邻接张量表示（有关详细定义，请参阅第2.2节），因此论文使用随机断开的邻接张量进行实验，以探索图结构的影响。具体来说，在为消息传递构建邻接张量时，给定一个有效的三元组 \left(h_{i}, r_{j}, t_{k}\right) , 替换尾部实体 t_{k} 使用知识图中的随机实体。注意，论文只在消息传递中使用随机邻接张量，而训练/验证/测试三元组保持不变。表4：具有随机邻接张量（RAT）和无邻居信息（WNI）的GCN的MRR。表4显示了具有随机邻接张量（X+RAT）的GCN的结果。令人惊讶的是，随机断开邻接张量，即图结构，不会影响两个数据集上基于GCN的KGC模型的总体性能。具有随机邻接张量的模型与它们的正常邻接张量对应模型相比，具有比较好的性能。对于WGCN+TransE，随机图结构甚至可以改善FB237的性能。结果表明，尽管GCN编码器可以提高KGE模型的性能，但GCN中的图结构建模对于性能的提高并不重要。4.2.2 邻居信息为了进一步探索GCNs中的图结构建模与性能改进之间的关系，论文进行了在聚合过程中不使用邻居信息的实验。也就是说，GCNs中使用的图形=在节点（实体）之间没有边（关系），实体的新表示仅基于实体的先前表示生成。表4：具有随机邻接张量（RAT）和无邻居信息（WNI）的GCN的MRR。表4显示，在这两个数据集上，不使用邻居信息的模型（X+WNI）的性能与原始模型相当。它表明，性能增益并非来自邻域聚合。4.2.3 自环信息为了确定性能增益是否需要自环信息，论文在没有自环信息的情况下进行了实验。也就是说，实体的表示仅基于其邻域实体和关系的表示生成。表5：无自环信息（WSI）和随机邻接张量（RAT）的GCN的MRR结果。FB237上的结果表5显示了没有自环信息（X+WSI）的结果。令人惊讶的是，省略自环信息对大多数模型的性能也没有显著影响。在大多数情况下，只有聚集邻居信息才能获得与基于GCN的完整KGC模型相比较的结果。此外，随机断开邻接张量，同时忽略自环信息。由于只使用邻居信息，论文期望随机邻接张量会显著降低性能。然而，如表5（X+WSI+RAT）所示，大多数解码器的性能仅受到轻微影响。也就是说，只有聚集随机生成的邻居信息才能获得与基于GCN的完整KGC模型的比较结果。到目前为止，已经知道以下操作对FB237上基于GCN的KGC模型的性能没有显著影响：1）仅使用自环信息；2）仅使用邻居信息；3）仅使用随机生成的邻居信息。这三种情况有一个共同的特点：它们能够以高置信度区分具有不同语义的实体。具体来说，如果只使用自环信息，则每个实体的表示是独立的，因此可以区分。如果只使用邻居信息，那么只有当两个实体具有相似的邻居表示时，它们才会具有相似的表示，这与KGC的假设一致：具有相似邻居的实体具有相似的语义。因此，可以区分具有不同语义的实体。当从所有实体中随机抽取邻居实体时，为不同的实体分配不同的邻居，这种可能性很高，因此可以通过聚合实体表示来区分不同的实体。图2:FB237上无自环信息和随机抽样邻居实体的MRR结果，其中虚线表示没有GCN的性能。图3:FB237上随机抽样邻居的MRR，其中虚线表示没有GCN的性能。为了找出上述属性对于性能增益是否是必要的，论文进行了实验，在实验中不使用自环信息，同时随机抽样给定实体集中的邻居。每个实体的相邻实体数保持与其原始值相同。如果集合的大小很小，则不同的实体更有可能具有相似的邻域，因此具有相似的表示，这使得它们很难区分。因此，预计当集合大小变小时，性能会下降。图2显示，随着样本集大小的减少，MRR结果迅速减少，并且比没有GCN的模型更差，这符合我们的预期。论文还使用自环信息和随机抽样的邻居进行了实验。图3显示，当集合大小发生变化时，性能相对稳定。这是可以预期的，因为无论邻居信息是什么，自环信息本身都可以唯一地确定实体。WN18RR结果与FB15k-237上的结果相比，表5显示，仅使用邻居信息（WSI/WSI+RAT）导致的性能低于基于WN18RR的完整GCN模型。这是合理的，因为WN18RR和FB15k-237中相邻实体的平均数量分别为2.1和18.7。基于较少的相邻实体来区分具有不同语义的实体更具挑战性。因此，结果与FB237的分析一致。总之，如果聚合过程能够很好地区分具有不同语义的实体，则GCN可以提高KGE模型的性能。4.2.4 关系的线性变换表6：具有和不具有关系（LTR）线性变换的CompGCN之间的比较。与RGCN和WGCN不同，CompGCN对关系嵌入应用线性变换。论文进行了消融实验来探索这些转变的影响。表6显示，除去关系的线性变换不会显著影响性能，但WN18RR上的CompGCN+TransE除外。请注意，TransE对超参数非常敏感，无法通过网格搜索找到最佳超参数。CompGCN+TransE的性能可能被低估。因此，可以得出结论，关系的线性变换对于基于GCN的KGC模型并不重要。回想一下，基于GCN的KGC模型的嵌入更新过程有三个主要部分（第3.1节）。论文已经证明，其中两种基于图结构的聚合和关系转换对于基于GCN的KGC模型并不重要。因此，聚合实体表示的转换对于性能改进至关重要。基于以上结果，论文得出结论：只要GCN能够通过生成的实体表示很好地区分具有不同语义的实体，实体表示的转换就可以有效地提高KGE模型的性能。5 一个简单而有效的框架（LTE-KGE）基于上一节的观察结果，论文提出了一个简单而有效的KGC框架，即LTE-KGE，它使用线性变换的实体表示来实现与基于GCN的KGC模型的比较性能。值得注意的是，论文并不打算提出一种新的最先进的KGC模型。相反，论文的目的是证明更简单的模型可以实现与基于最新GCN的模型相似的性能，并得出结论，现有的复杂GCN对于KGC可能是不必要的。5.1 LTE-KGE模型细节假设 f(\mathbf{h}, \mathbf{r}, \mathbf{t}) 是三元组(ℎ, , ),的评分函数对应于现有KGE模型。基于之前的实验结果，论文提出了一个名为LTE-KGE的框架，该框架将线性投影应用于实体表示。如下：\left.f\left(g_{h}\left(W_{h} \mathbf{h}\right), \mathbf{r}, g_{t}\left(W_{t} \mathbf{t}\right)\right)\right)\\ \tag{2} 其中 W_{h} 和 W_{t} 是具有可训练权重的线性变换。论文还引入了可选操作 g_{h} 和 g_{t} , 它可以是函数集{恒等函数，非线性激活函数，批量归一化，dropout}中函数的组合。这些操作对应于基于GCN的模型中可能的非线性转换。注意：a）线性变换 W_{h} 和 W_{t} 可根据实验结果共享相同的参数；（b） g_{h} 和 g_{t} 根据实验结果，可以是不同功能的组合；c）由于每个实体都有自己的表示，LTE-KGE可以区分语义不同的实体；d）当 W_{h} ， W_{t} 是单位矩阵和 g_{h} , g_{t} 是恒等函数时候，LTE-KGE模型等同KGE模型。与仅使用自环信息的GCN相比，LTE-KGE更灵活，可以为头部和尾部实体合并不同的转换。与将特定关系投影应用于实体嵌入的TransR相比，LTE-KGE的内存效率更高，并且可以灵活地结合非线性操作。5.2 实验结果论文对DistMult、TransE和ConvE进行了实验。特别地 W_{h} 和 W_{t} 是一样的，g_{h} 和 g_{t} 是DistMult/ConvE的批归一化和dropout的组合，以及TransE的恒等函数。表7:LTE-KGE模型与CompGCN之间的比较。符号†表示使用DGL改造结果。CompGCN的改造性能与其原始论文中报告的性能相似。表7显示了比较结果。请注意，论文重新实施的CompGCN的性能与原始论文的性能相当。因此，LTE-KGE和GCNs之间的比较是公平的。总体而言，LTE-KGE显著提高了DistMult和ConveE的性能。虽然LTE-KGE没有明确地建模GCN之类的局部图结构，但它的性能与基于GCN的KGC模型相当，有时甚至性能更好。论文还使用RotatE和TuckER作为基线。结果表明，基于GCN的模型并不总是比这些KGE模型显示出巨大的优势。有人可能会说，还可以在RotatE/TuckER之上构建LTE-KGE，以实现更好的性能。然而，如前所述，LTE-KGE挑战GCN的使用，而不是实现最先进的性能。由于基于GCN的模型不使用RotatE/TuckER作为解码器，论文也不在其上构建LTE-KGE。图4：训练/测试时间对比。没有GCN的模型的时间使用比例为1。论文还评估了不同模型的效率。在同一台机器上训练和测试模型。批次大小、训练次数和测试样本数量相同。GCN层数为1。图4显示了不同模型的训练和测试时间使用情况。结果表明，添加GCN编码器，尤其是RGCN，会使训练和测试时间占用率较高。相反，LTE-KGE模型与没有GCN的模型一样有效。因此，LTE-KGE模型具有GCN模型的优点，并避免了其繁重的计算负载。5.3 LTE-KGE和GCN之间的关系为了理解为什么LTE-KGE模型的性能类似于基于GCN的KGC模型，论文展示了LTE-KGE的行为类似于基于GCN的模型，其中一个GCN层是编码器，而它没有明确地聚合来自社区的信息。为简单起见，论文只考虑正三元组和损失函数，而不考虑标签平滑。给定实体ℎ, 论文考虑所有已知的邻居 \left(r_{i}, t_{i}\right) ， \left(h, r_{i}, t_{i}\right) 是已知的有效三元组。此外，假设LTE-KGE的公式为 f(W \mathbf{h}, \mathbf{r}, W \mathbf{t}) 。然后，对于给定实体ℎ, 目标是最小化损失函数：\sum_{r \in R_{h}} \sum_{t:(h, r, t) \in S} \log f(W \mathbf{h}, \mathbf{r}, W \mathbf{t})\\ \tag{3} 其中， R_{h} 是由与实体h相关的所有关系组成的集合, 和是KGE模型的评分函数。注意，省略了公式（3）中涉及的常数。在优化目标时，通常使用梯度下降法来最小化损失函数（3）。关于h的梯度如下所示：\sum_{r \in R_{h}} \sum_{(h, r, t) \in S} \frac{1}{f(W \mathbf{h}, \mathbf{r}, W \mathbf{t})} \frac{\partial f}{\partial \mathbf{h}}(W \mathbf{h}, \mathbf{r}, W \mathbf{t})\\ \tag{4} 在论文的实验中，评分函数可以是TransE、DistMult或ConvE，其定义见第2.2节。下面，论文计算这三个模型的梯度。5.3.1 LTE-TransE的梯度\sum_{r \in R_{h}} \sum_{t:(h, r, t) \in S} \frac{1}{\|W \mathbf{h}+\mathbf{r}-W \mathbf{t}\|_{1 / 2}} \frac{\partial}{\partial \mathbf{h}}\|W \mathbf{h}+\mathbf{r}-W \mathbf{t}\|_{1 / 2}\\ 当距离为 L_{1} 范式时，上述公式为\sum_{r \in R_{h} t:} \sum_{(h, r, t) \in S} W^{\top} \frac{I(W \mathbf{h}, W \mathbf{t}-\mathbf{r})}{\|W \mathbf{h}+\mathbf{r}-W \mathbf{t}\|_{1}}\\ \tag{5} 其中， I(\mathbf{x}, \mathbf{y}): \mathbb{R}^{n} \times \mathbb{R}^{n} \rightarrow \mathbb{R}^{n} 函数满足 [I(\mathbf{x}, \mathbf{y})]_{i}=-1 当 x_{i}Java+分布式开发 - 课工场

Java+分布式开发 - 课工场

云计算大数据测试项目智库品牌介绍

Java是编程语言之王不可撼动的霸主地位强大在于从未停止改变一直被模仿，从未被超越全薪升级，只为培育Java高级开发人才具备分布式架构搭建能力，具备分布式应用开发能力，具备框架源码阅读能力，具备解决方案设计能力...... 高端课程才能铸造高端人才广度+深度，高端无不覆盖软硬双辅技能培养学员成为全能型人才，助力职后广阔发展授之以鱼并授之以渔问题驱动教学，传授的不止是步骤，还包括设计思想分布式日志解决方案(ELK+Kafka)微信登录解决方案微信支付解决方案支付宝支付解决方案微服务持续集成解决方案(Jenkins)Spring Cloud全家桶搭建解决方案分布式事务解解决方案分布式锁解决方案(Redis)微服务网关解决方案(一代Zuul\二代Gateway)微服务集中配置服务解决方案(Config)前后分离接口维护解决方案(Swagger)客户端负载均衡解决方案(Ribbon)服务端负载均衡解决方案(Nginx)微服注册中心解决方案(Eureka\Zookeeper\Consul\Nacos)数据库高并发解决方案(Mycat)容器化部署管理解决方案(Docker Compose)微服务熔断解决方案(Hystrix)微服务监控解决方案(Admin/Prometheus)电商抢购秒杀解决方案分布式搜索系统解决方案(ElasticSearch)订单管理解决方案安全认证解决方案(OAuth2.0)代码监控解决方案(Sonar)静态存储与图像自动化解决方案(Tengine+LUA+GraphicsMagic)网络爬虫解决方案(Jsoup)敏捷开发管理解决方案七大课程优势，助力培养中高端人才1技术敏锐，快速跟进，一年至少2次以上升级更新每一个新增技术点都是加薪点2020年2021年SpringMVCDubboSpring BootBootstrapSwaggerSpringMyBatisMongoDBVue.js、React.js微信登录、微信支付、支付宝支付Docker全能训练--M站(萌漫)Java WebNginxSpring Cloud全家桶jQuery全能训练--二手兔Eureka分布式事务SetaSpring Boot短信技术SpringMyBatisVue、ReactDockerSpringMVCElementUIBootstrap微信登录、微信支付、支付宝支付VantMongoDBjQueryFastDFSDubboSpring Cloud全家桶Java WebSwaggerMintUI阿里云OSSNginx分布式锁HystrixRibbonFeginGateWayZuulConfig2真场景真项目真实还原还原企业真实开发场景，多维度项目训练，培养职场硬核生存能力全能训练全体量 & 全流程 & 全技术 & 真项目从0到1实战开发萌小宠(Alibaba Spring Cloud+Vue.js)乐调平台(Spring Boot+Vant(ElementUI))乐知问答(Spring Boot+ElementUI)二手兔(Spring Boot + Vue.js)青芽在线医疗(SSM+HTML)大觅网(Spring Cloud+Vue.js)M站(Spring Boot+Reatc.js)爱旅行(SSM+React.js)场景实战真场景 & 真难题再现企业真实场景从1到N实战开发大觅网520促票（Spring Cloud+Vue.js）萌小宠后台功能扩展（Spring Cloud+Vue.js）M站-动漫发布（Spring Boot+Reatc.js)二手兔-双11折扣活动（Spring Boot+Vue.js) 就业冲刺全行业 & 真业务企业大型真实项目实战面试快递查青科任务分达 3一专多能，更广阔的职后选择 4全方位辅助训练系统技术能力训练测战力小节测评单元测评阶段考试结业考试个人素养能力训练学习方法心态建设人际沟通成长型思维训练项目能力训练高效迭代结项自评代码评审敏捷输出进度自控团队配合上下游沟通面试能力训练面试礼仪简历撰写项目面试快速通过试用期复盘能力训练综合复盘知识梳理全局知识体系结构思维导图阶段复习指导5大牛技术顾问技术顾问持证上岗，大牛老师才能教出大牛学生。分布式微服等前沿高深技术，通过授课老师认证严格把控讲师技术水准。 6课工场和CSDN达成战略合作伙伴，联合推出微服务系列课程，课程全程同步更新至CSDN学院。 7趣味性教学复杂的概念和原理通过动画的形式形象展现，帮助您轻松理解。什么是微服务架构？什么是分布式爬虫？Git的工作原理是什么？课工场通过动画的形式将微服务中重要的概念与原理结合生活中的场景进行讲解，再也不用担心学不会了。微服务架构消息中间件爬虫策略解析 (反爬及反反爬) Git执行原理场景实战+解决方案贯穿学习始终二手交易医疗宠物读书二次元动漫电商票务抢购更多项目点击体验超强实力安心托付企业广泛认可学员通过考试可以获得课工场认证证书课工场从2015年至今连续多年数次获得腾讯、新浪、网易、小米等IT行业巨头认可的年度影响力教育品牌、用户信赖教育机构以及消协基金会授予的《2018年质量放心用户满意双优品牌》，行业的高度认可使得课工场产品的认证更加有底气！课工场认证证书：持有课工场认证证书，被企业广泛认可。多方位就业指导：模拟面试，笔试，项目面试指导选择课工场，选择未来合作高校©2015-课工场版权所有京ICP备15057271号-1京公网安备11010802017390号客服：ke@kgc.cn

Just a moment...

a moment...Enable JavaScript and cookies to continue

Follow

imtoken钱包登录入口|kgc

imtoken钱包登录入口|kgc

关于双碳中的一些单位换算_碳中和两的单位是什么-CSDN博客

课工场

课工场官网_北大青鸟旗下大学生专属品牌 - 课工场

金罗斯黄金(KGC)股票股价_股价行情_财报_数据报告 - 雪球

论文阅读：知识图谱补全（KGC）中GCN的再思考（2022） - 知乎

Just a moment...

最近的新闻

您可能喜欢的文章

bitpie安卓版下载|imc

比特派app官方|kuku

TP钱包无法扫码转账的解决方案及操作指南

USDT对接钱包，实现快速数字货币交易

比特币钱包密码存储位置及安全性分析

比特币钱包推荐以及如何选择最适合的比特币钱

TP钱包如何进行确认操作