加入 Slack 社区

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的神经网络机器学习模型，关系学习是机器学习的一个分支，专注于在知识图谱上进行监督学习。

如果您需要，请使用 AmpliGraph：

• 从现有知识图谱中发现新知识。
• 补全包含缺失陈述的大规模知识图谱。
• 生成独立的知识图谱嵌入。
• 开发和评估新的关系模型。

AmpliGraph 的机器学习模型会生成 知识图谱嵌入，即在度量空间中对概念的向量表示：

然后，它将嵌入与特定于模型的评分函数相结合，以预测未见过的新颖链接：

AmpliGraph 2.0.0 现已发布！

新版本采用了 TensorFlow 2 后端和 Keras 风格的 API，使其运行速度更快、更易于使用，并扩展了对多项功能的支持。此外，数据输入输出流程也发生了变化，部分过时的模型已不再支持。
更详细的变更列表请参阅 Changelog。

核心特性

• 直观的 API：AmpliGraph 的 API 旨在减少训练知识图谱链接预测模型所需的代码量。新版 AmpliGraph 2 的 API 采用 Keras 风格，进一步提升了用户体验。
• GPU 就绪：AmpliGraph 2 基于 TensorFlow 2，专为在 CPU 和 GPU 设备上无缝运行而设计，从而加速训练过程。
• 可扩展性：通过扩展 AmpliGraph 的基础估计器，您可以构建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：用于知识发现的高级便捷 API（发现新事实、聚类实体、预测近似重复项）。
• Compat：该子模块扩展了 AmpliGraph 2 API 与 AmpliGraph 1.x API 的兼容性，方便已经熟悉旧版 API 的用户过渡。

安装

先决条件

• Linux、macOS、Windows
• Python ≥ 3.8

创建虚拟环境

可以使用任何方法来创建用于安装 AmpliGraph 的虚拟环境；这里我们将提供使用 venv 和 Conda 的说明。

venv

第一步是创建并激活虚拟环境。

python3.8 -m venv PATH/TO/NEW/VIRTUAL_ENVIRONMENT
source PATH/TO/NEW/VIRTUAL_ENVIRONMENT/bin/activate

完成之后，我们可以继续安装 TensorFlow 2：

pip install "tensorflow==2.9.0"

如果您在 macOS 上安装 TensorFlow，请使用以下命令代替：

pip install "tensorflow-macos==2.9.0"

重要提示：在配备 Apple 芯片的 macOS 上安装 TensorFlow 可能会比较复杂。虽然 venv 可以提供较为顺畅的体验，但我们建议您参考下方的 针对 Mac OS M1 芯片安装 TensorFlow 2 的专门章节，并在遇到持续问题时考虑使用 conda，同时参考 Apple 开发者网站上的 TensorFlow 插件页面。

Conda

第一步是创建并激活虚拟环境。

conda create --name ampligraph python=3.8
source activate ampligraph

完成之后，我们可以继续安装 TensorFlow 2，既可以通过 pip 也可以通过 conda。

pip install "tensorflow==2.9.0"

或 

conda install "tensorflow==2.9.0"

为搭载 M1 芯片的 Mac OS 安装 TensorFlow 2

在为配备 Apple 芯片的 Mac OS 安装 TensorFlow 2 时，我们建议使用 conda 环境。

conda create --name ampligraph python=3.8
source activate ampligraph

创建并激活虚拟环境后，运行以下命令来安装 TensorFlow：

conda install -c apple tensorflow-deps
pip install --user tensorflow-macos==2.9.0
pip install --user tensorflow-metal==0.6

如果在安装过程中遇到问题或需要更多信息，请参阅 Apple 官方开发者网站上的 TensorFlow 插件页面。

安装 AmpliGraph

完成 TensorFlow 的安装后，我们可以继续安装 AmpliGraph。

要从 pip 安装最新稳定版本：

pip install ampligraph

为验证安装是否成功，运行以下代码：

>>> import ampligraph
>>> ampligraph.__version__
'2.1.0'

如果您想要最新的开发版本，可以从 GitHub 克隆仓库，从源码安装 AmpliGraph 并检出 develop 分支。这样，您的本地副本将始终基于 develop 分支的最新提交。

git clone https://github.com/Accenture/AmpliGraph.git
cd AmpliGraph
git checkout develop
pip install -e .

请注意，上述代码以可编辑模式安装了库（-e）。

为验证安装是否成功，运行以下代码：

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

预测能力评估（MRR 过滤版）

AmpliGraph 包含 TransE、DistMult、ComplEx、HolE 和 RotatE 的实现。版本 <2.0 还包括 ConvE 和 ConvKB。 它们的预测能力如下所示，并与文献中的最先进结果进行了比较。 更多详细信息请参见此处。

	FB15K-237	WN18RR	YAGO3-10	FB15k	WN18
文献最佳结果	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. 知识库补全的规范张量分解。载于国际机器学习会议，第2869–2878页。2018年。
** Kadlec, Rudolf, Ondrej Bajgar, 和 Jan Kleindienst. “知识库补全：基准方法卷土重来。” arXiv 预印本 arXiv:1705.10744（2017年）。 上述结果是在出现平局时将正例分配为最差排名计算得出的。 尽管这是最为保守的做法，但部分已发表的文献可能会采用相反的评估协议，即为正例分配最佳排名。}

文档

文档在此处可用

您可以通过本地工作副本构建项目文档：

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，为什么不给该项目在 GitHub 上加个星呢！

如果您在学术出版物中使用 AmpliGraph，请按以下方式引用：

@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: 知识图谱表示学习库}},
 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 许可证授权。

AmpliGraph 快速上手指南

AmpliGraph 是一个基于 TensorFlow 的开源库，专为知识图谱中的关系学习（Relational Learning）设计。它通过生成知识图谱嵌入（Knowledge Graph Embeddings），帮助用户发现新知识、补全缺失链接以及评估新的关系模型。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Linux, macOS, 或 Windows
• Python 版本：≥ 3.8
• 硬件加速：支持 CPU 和 GPU（推荐配置 NVIDIA GPU 以加速训练）

注意：如果您使用的是搭载 Apple Silicon (M1/M2) 芯片的 Mac，建议优先使用 Conda 进行环境管理以获得更好的兼容性。

安装步骤

1. 创建虚拟环境

推荐使用 venv 或 Conda 隔离环境。

选项 A：使用 venv

python3.8 -m venv PATH/TO/NEW/VIRTUAL_ENVIRONMENT
source PATH/TO/NEW/VIRTUAL_ENVIRONMENT/bin/activate

选项 B：使用 Conda

conda create --name ampligraph python=3.8
conda activate ampligraph

2. 安装 TensorFlow 2

AmpliGraph 2.0+ 依赖 TensorFlow 2。

通用安装 (Linux/Windows/macOS Intel):

pip install "tensorflow==2.9.0"

macOS Apple Silicon (M1/M2) 专用安装: 如果您在 M1/M2 Mac 上，请使用以下命令安装针对 Metal 优化的版本：

conda install -c apple tensorflow-deps
pip install --user tensorflow-macos==2.9.0
pip install --user tensorflow-metal==0.6

(注：国内用户若下载缓慢，可添加 -i https://pypi.tuna.tsinghua.edu.cn/simple 参数使用清华镜像源)

3. 安装 AmpliGraph

TensorFlow 安装完成后，即可安装 AmpliGraph 稳定版：

pip install ampligraph

验证安装：

>>> import ampligraph
>>> ampligraph.__version__
'2.1.0'

基本使用

以下是一个最简单的示例，演示如何加载数据集、初始化模型（TransE）、训练并评估预测能力。

from ampligraph.datasets import load_fb15k_237
from ampligraph.models import TransE
from ampligraph.evaluation import evaluate_model, mrr_rank_filtered

# 1. 加载数据集 (FB15K-237)
dataset = load_fb15k_237()

# 2. 初始化模型 (以 TransE 为例)
model = TransE(
    batches_count=100,
    seed=0,
    embedding_dim=100,
    loss='pairwise',
    loss_params={'margin': 1},
    regularizer=None,
    optimizer='adam',
    optimizer_params={'lr': 0.001},
    epochs=100,
    verbose=True
)

# 3. 训练模型
model.fit(dataset['train'])

# 4. 评估模型 (计算过滤后的 MRR)
results = evaluate_model(
    model=model,
    dataset=dataset,
    evaluator='mrr_rank_filtered',
    eval_set='test',
    verbose=True
)

print(f"MRR Score: {results['mrr']}")

核心功能说明：

• Datasets: ampligraph.datasets 提供常用知识图谱数据集的加载工具。
• Models: 支持 TransE, DistMult, ComplEx, HolE, RotatE 等主流嵌入模型。
• Evaluation: 内置标准的评估协议（如 MRR, Hits@N）以衡量模型预测链接的能力。