我们证实我们关于模型集体学习能力的理论考虑通过在新数据集和实体解析中常用的数据集上进行实验的方法。
relational learning
collective learning
随着关系数据和网络数据在社交网络建模，语义网，生物信息学和人工智能等不同领域的日益增长的相关性，关系学习领域的重要性日益增加。 本文关注张量在关系学习中的应用。 张量及其分解广泛用于心理学或化学计量学等领域，并且最近也已应用于数据挖掘和机器学习问题，例如用于对社交网络中的时间效应进行建模。 在关系学习中，张力刚刚出现用于替代更常见的方法，如图形模型。
从建模的角度来说，张量提供了简单性，因为任何顺序的多个关系可以被直接表示为更高阶的张量。此外，不需要知道或从数据中，推理出关于问题结构的先验知识，但这对于贝叶斯网络或马尔可夫逻辑网络（MLN）是必要的。从学习的角度应用张量分解的原因是关系领域通常是高维度和稀疏的，分解方法（factorization）展示出了非常好的结果。
关系数据的一个重要特性是可以在多个互连节点之间产生相关性。
可以通过在学习任务中包括相关实体的属性，关系或类来捕获这些相关性。
dyadic relational data