你好，请问关于损失函数部分，kge的损失和论文里公式13第二部分怎么对应？

[songzeceng]

论文里公式13第二部分主要这样的：Ir - EtRE
代码里似乎对应(因为论文里kge损失的权重λ2和代码里kge_weight的默认值都是0.01)

        self.kge_loss = 0
        for hop in range(self.n_hop):
            h_expanded = tf.expand_dims(self.h_emb_list[hop], axis=2)
            t_expanded = tf.expand_dims(self.t_emb_list[hop], axis=3)
            hRt = tf.squeeze(tf.matmul(tf.matmul(h_expanded, self.r_emb_list[hop]), t_expanded))
            self.kge_loss += tf.reduce_mean(tf.sigmoid(hRt))
        self.kge_loss = -self.kge_weight * self.kge_loss

代码里应该就是h * r * t，然后我有以下几个疑问：
1、公式里Ir怎么对应，是0矩阵么？否则我不明白kge_loss为何是要在kge_weight和kge_loss相乘结果的基础上，再乘个-1。但是Ir的定义是

Ir is the slice of the indicator tensor I in KG for relation r

也就是Ir是关系r在知识图谱里用I切的片，这里I张量是怎么定义的呢？

2、公式里参数用的是λ2/2，但是代码里却是kge_weight，这里是代码手误么？

希望大佬能在百忙之中尽快解答，谢谢。

[hwwang55]

你好！

1. 代码和论文里的loss不完全一样，论文里的loss是想让hRt的值和真实值R接近，也就是当(h, r, t)为真时，hRt要接近1，否则接近0。代码里的loss是当(h, r, t)为真时，让hRt尽量大，而对(h, r, t)为假时没有要求（也就是没有负采样）。没有负采样是为了实现上的方便；正样本上的loss，两者没有本质区别，都是想提高hRt的值；
2. kge_weight就是\lambda_2/2。

[Niyx52094]

我看论文也发现了，还好找到了这里~感谢解答！