第五章 知识图谱
5.1 簡介
5.2 知識表示學習（基礎模型）
5.2.1 表示學習
5.2.2 基于語義匹配
語義模型：RESCAL
語義模型：DistMult
語義模型：HolE
5.2.3 基于平移距離
平移模型：TransE
5.3 前沿發展和關鍵挑戰
5.3.1 處理復雜關系
5.3.1.1 投影
5.3.1.2 嵌入空間
5.3.1.3 編碼模型
5.3.2 融合外部信息
5.3.2.1?文本信息
5.3.2.2 結構信息
5.3.2.3 圖像信息
5.3.3 知識推理
5.3.3.1?基于路徑的方法
5.3.3.2?基于邏輯規則的方法
5.4 總結
5.1 簡介
定義：知識圖譜提供了關于某個主題的結構化的詳細信息。（維基百科）
知識圖譜以圖形式組織知識，每個節點對應一個實體，每條邊對應一條關系，知識圖譜的基本單位是事實（頭實體、關系、尾實體）。
發展歷程：
?
特征：
- 知識圖譜以圖結構形式組織
- 關系性、靈活性、可學習性強
- 數據的含義和圖一起編碼
- 更接近自然語言、可讀性強
應用：
- 問答系統
- 搜索引擎
- 推薦系統
5.2 知識表示學習（基礎模型）
5.2.1 表示學習
機器學習 = 表示 + 目標 + 優化
表示學習即通過相關算法學習到對象的分布式表示（嵌入），將對象抽象為稠密、實值和低維的向量的過程。例如embedding等。
知識圖譜符號三元組RDF不能高效地衡量實體之間的語義相似性，面向知識圖譜的表示學習能夠將知識圖譜編碼到低維向量空間，能夠通過用高頻對象表示低頻對象，緩解稀疏性問題，緩解長尾分布問題，進一步能夠通過實現跨域和跨對象的知識遷移。
5.2.2 基于語義匹配
如何衡量一個三元組的可信度？
語義模型：RESCAL
語義模型：DistMult
語義模型：HolE
?
5.2.3 基于平移距離
如何衡量一個三元組的可信度？啟發于word2vec：對每個三元組，關系將頭實體平移到尾實體。
平移模型：TransE
學習目標：h + r = t
學習出h、r、t的表示后，可以通過任意去預測另外一者，TransE簡單，只需要學習出hrt的向量表示，參數少但效果很好。
5.3 前沿發展和關鍵挑戰
5.3.1 處理復雜關系
現實生活中，頭實體和尾實體的對應不只是1對1的，如下圖所示：
傳統的方法會使Obama和Trump的相似度變高，影響模型效果。
5.3.1.1 投影
投影的思想是構建與給定關系的實體表示，即不同關系下，實體表示不同。
???????
5.3.1.2 嵌入空間
5.3.1.3 編碼模型
思想：引入其他DL方法進行編碼。
?
?
5.3.2 融合外部信息
知識圖譜蘊含著網絡結構以外的許多信息。
5.3.2.1?文本信息
思想：通過實體描述、實體文本建立對應的表示。
5.3.2.2 結構信息
每個實體有多個層級類別結構，層級類別提升了在長尾上的實體表現。
?利用屬性信息學習實體表示：
?
5.3.2.3 圖像信息
5.3.3 知識推理
實體之間可能通過多個路徑連接，有著復雜的推理路徑。
5.3.3.1?基于路徑的方法
Path-Ranking算法：用隨機游走派生出多條路徑，用監督訓練為路徑排序，可解釋性強，但存在關系的排列組合，產生組合爆炸，故不能規模化。
5.3.3.2?基于邏輯規則的方法
思想：將路徑嵌入到模型中
?
5.4 總結
- 知識表示學習是構建和應用圖譜的重要方法?
- 知識表示學習仍在快速發展，有很多開放問題?
- 關鍵是如何從人類的泛化和抽象能力中學習知識
- 深度學習 &知識圖譜會為自然語言處理帶來變革，指導語言理解、語言生成等
總結
- 上一篇： MediaRecorder之视频录制
- 下一篇： java中：统计字符串大串中小串出现的次