ITADN · 发现全球开源项目

基于 TensorFlow 的开源库，用于预测知识图谱中概念之间的链接。

AmpliGraph 是一套用于关系学习（relational Learning）的神经机器学习模型，关系学习是机器学习的一个分支，专门处理知识图谱上的监督学习。

如果您需要以下功能，请使用 AmpliGraph：

从现有知识图谱中发现新知识。
补全大型知识图谱中缺失的陈述。
生成独立的知识图谱嵌入。
开发并评估新的关系模型。

AmpliGraph 的机器学习模型生成知识图谱嵌入，即概念在度量空间中的向量表示：

随后，它将嵌入与特定于模型的评分函数相结合，以预测未见过的和新颖的链接：

AmpliGraph 2.0.0 现已发布！

新版本引入了 TensorFlow 2 后端和 Keras 风格的 API，使其运行更快、使用更便捷，并扩展了对多种功能的支持。此外，数据输入/输出管道已发生变更，并且停止了对某些过时模型的支持。
请参阅 Changelog 以获取更详尽的变更列表。

主要特性

直观的 API：AmpliGraph API 旨在减少学习预测知识图谱中链接的模型所需的代码量。新版 AmpliGraph 2 API 采用 Keras 风格，使用户体验更加流畅。
支持 GPU：AmpliGraph 2 基于 TensorFlow 2，旨在无缝运行于 CPU 和 GPU 设备上——以加速训练。
可扩展性：通过扩展 AmpliGraph 基础估计器，构建您自己的知识图谱嵌入模型。

模块

AmpliGraph 包含以下子模块：

Datasets：用于加载数据集（知识图谱）的辅助函数。
Models：知识图谱嵌入模型。AmpliGraph 2 包含 TransE、DistMult、ComplEx、HolE（更多即将推出！）
Evaluation：用于评估模型预测能力的指标和评估协议。
Discovery：用于知识发现（发现新事实、聚类实体、预测近似重复项）的高级便捷 API。
Compat：一个子模块，将 AmpliGraph 2 API 的兼容性扩展到 AmpliGraph 1.x，供已熟悉后者的用户使用。

安装

先决条件

Linux、macOS、Windows
Python 3.9 – 3.11

安装 AmpliGraph

要从 pip 安装最新稳定版：

pip install ampligraph

为验证安装，请运行以下命令：

>>> import ampligraph
>>> ampligraph.__version__
'2.2.0'

如果您想要最新的开发版本，您可以从 GitHub 克隆仓库，从源代码安装 AmpliGraph 并检出 develop 分支。这样，您的本地工作副本将位于 develop 分支的最新提交上。

git clone https://github.com/Accenture/AmpliGraph.git
cd AmpliGraph
git checkout develop
uv sync

为验证安装，请运行以下命令：

>>> import ampligraph
>>> ampligraph.__version__
'2.2-dev'

预测能力评估（MRR 过滤后）

AmpliGraph 包含 TransE、DistMult、ComplEx、HolE 和 RotatE 的实现。2.0 之前的版本还包含 ConvE 和 ConvKB。其预测能力如下所示，并与文献中的最先进结果进行了比较。更多详情见此处。

	FB15K-237	WN18RR	YAGO3-10	FB15k	WN18
文献最佳	0.35*	0.48*	0.49*	0.84**	0.95*
TransE	0.31	0.22	0.50	0.62	0.66
DistMult	0.30	0.47	0.48	0.71	0.82
ComplEx	0.31	0.51	0.49	0.73	0.94
HolE	0.30	0.47	0.47	0.73	0.94
RotatE	0.31	0.51	0.43	0.70	0.95
ConvE (AmpliGraph v1.4)	0.26	0.45	0.30	0.50	0.93
ConvE (1-N, AmpliGraph v1.4)	0.32	0.48	0.40	0.80	0.95
ConvKB (AmpliGraph v1.4)	0.23	0.39	0.30	0.65	0.80

_{* Timothee Lacroix, Nicolas Usunier, and Guillaume Obozinski. Canonical tensor decomposition for knowledge base
completion. In International Conference on Machine Learning, 2869–2878. 2018.

** Kadlec, Rudolf, Ondrej Bajgar, and Jan Kleindienst. "Knowledge base completion: Baselines strike back.
" arXiv preprint arXiv:1705.10744 (2017).} _{上述结果是在平局时将正样本分配最差排名的情况下计算的。
尽管这是最保守的方法，但一些已发表的文献可能采用分配最佳排名的评估协议。}

文档

文档在此处可用

项目文档可以通过以下命令从本地工作副本构建：

cd docs
make clean autogen html

如何贡献

请参阅 AmpliGraph 文档中的指南。

如何引用

如果您喜欢 AmpliGraph 并在您的项目中使用它，为什么不在 GitHub 上为该项目点个星呢！

如果您在学术出版物中使用 AmpliGraph，请引用为：

@misc{ampligraph,
 author= {Luca Costabello and
          Alberto Bernardi and
          Adrianna Janik and
          Aldan Creo and
          Sumit Pai and
          Chan Le Van and
          Rory McGrath and
          Nicholas McCarthy and
          Pedro Tabacof},
 title = {{AmpliGraph: a Library for Representation Learning on Knowledge Graphs}},
 month = mar,
 year  = 2019,
 doi   = {10.5281/zenodo.2595043},
 url   = {https://doi.org/10.5281/zenodo.2595043}
}

许可证

AmpliGraph 采用 Apache 2.0 许可证。