深兰科技交通大学人工智能算法培训班

本文主要是介绍深兰科技交通大学人工智能算法培训班，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

知识图谱(KG)是一种用图模型来描述知识和建模事物之间关联关系的技术. 知识图谱嵌入(KGE)作为一 种被广泛采用的知识表示方法,其主要思想是将知识图谱中的实体和关系嵌入到连续的向量空间中,用来简化操作, 同时保留 KG 的固有结构.它可以使得多种下游任务受益,例如 KG 补全和关系提取等. 本文首先对现有的知识图谱嵌入技术进行全面回顾,不仅包括使用 KG 中观察到的事实进行嵌入的技术,还包括添加时间维度的动态 KG 嵌入方法, 以及融合多源信息的 KG 嵌入技术.对相关模型从实体嵌入、关系嵌入、评分函数等方面进行分析、对比与总结. 然后简要介绍 KG 嵌入技术在下游任务中的典型应用,包括问答系统、推荐系统和关系提取等.最后阐述知识图谱 嵌入面临的挑战,对未来的研究方向进行展望.

http://www.jos.org.cn/jos/article/abstract/6429

引言

知识图谱(Knowledge Graph,KG)作为人工智能的一个分支,引起了学术界和工业界的广泛关注,其构建与应用也得到了迅速发展.例如 Freebase[1] ,DBpedia[2] ,YAGO[3] ,NELL[4] ,Wikidata[5]等知识图谱已经被成功创建并 应用于许多现实世界应用,从语义分析[6,7]、命名实体消歧[8,9] ,到信息提取[10,11]和问答系统[12,13]等.知识图谱是以 现实世界的实体为节点,实体之间的关系为边的有向图.在这个图中,每个有向边连同其头实体与尾实体构成了 一个三元组,即(头实体,关系,尾实体),表示头实体与尾实体通过关系进行连接.尽管知识图谱在表示结构化数据 方面非常有效,但这种三元组的基本符号性质使 KG 难以操作[14] . 

为了解决这个问题,近年来提出了一个新的研究方向,称为知识图谱嵌入(Knowledge Graph Embedding, KGE)或知识表示学习(Knowledge Representation Learning, KRL),旨在将 KG 的组成部分(包括实体和关系)嵌入 到连续的向量空间中,以在简化操作的同时保留 KG 的固有结构.与传统的表示方法相比,KGE 为 KG 中的实体 和关系提供了更加密集的表示,降低了其应用中的计算复杂度.此外,KGE 可以通过度量实体和关系低维嵌入的 相似性来显式地捕获实体和关系之间的相似性. 

尽管研究者已提出多种模型来学习 KG 中的实体和关系表示,但是目前大多数可用的技术仍然仅根据知识 图谱中观察到的事实来执行嵌入任务.具体地说,给定一个 KG,首先在低维向量空间中表示实体和关系,并为每 个三元组定义一个评分函数以衡量其在该空间中的合理性.然后通过最大化观察到的三元组的总合理性来学 习实体和关系的嵌入.这些学习的嵌入还可以进一步用于实现各种任务,例如 KG 补全[15,16] ,关系提取[10,17] ,实体 分类[18,19] ,实体解析[18,20]等.由于在整个过程中仅要求学习的嵌入在每个单独的事实中兼容,因此对下游任务可 能没有足够的预测性[21,22] .近年来,越来越多的研究者开始进一步考虑利用其他类型的信息,例如实体类型 [23,24] ,文本描述[25-28] ,关系路径[29-31] ,甚至逻辑规则[32,33]来学习更多的预测嵌入. 

本文内容结构组织如下:第 1 节介绍相关工作调查与基本符号定义;第 2 节对仅使用 KG 中观察到的事实进 行嵌入的技术进行全面回顾,具体介绍基于距离的模型,语义匹配模型以及最新的 KGE 技术;第 3 节主要讨论了 融合时间信息的动态知识图谱嵌入技术,详细介绍 t-TransE、Know-Evolve、HyTE、TDG2E 等代表性的动态 KGE 方法;第 4 节归纳了除 KG 中观察到的事实以外的结合附加信息的 KGE 技术,例如实体类别、文本描述、 关系路径等.第 5 节介绍 KGE 技术在下游任务中的典型应用.第 6 节对 KGE 技术面临的挑战与未来研究方向 进行讨论.最后,第 7 节对全文工作进行总结.

这篇关于深兰科技交通大学人工智能算法培训班的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！