本文轉(zhuǎn)載自公眾號(hào)：機(jī)器之心。? ? ? ??

選自CCKS 2018

作者：Lingbing Guo、Qingheng Zhang、Weiyi Ge、Wei Hu、Yuzhong Qu

機(jī)器之心編譯

參與：Panda、劉曉坤

2018 年 8 月 14-17 日，主題為「知識(shí)計(jì)算與語(yǔ)言理解」的 2018 全國(guó)知識(shí)圖譜與語(yǔ)義計(jì)算大會(huì)（CCKS 2018）在天津成功舉辦。該會(huì)議是由中國(guó)中文信息學(xué)會(huì)語(yǔ)言與知識(shí)計(jì)算專委會(huì)定期舉辦的全國(guó)年度學(xué)術(shù)會(huì)議，并致力于成為國(guó)內(nèi)知識(shí)圖譜、語(yǔ)義技術(shù)、鏈接數(shù)據(jù)等領(lǐng)域的核心會(huì)議。本屆會(huì)議的最佳英文論文來(lái)自南京大學(xué)計(jì)算機(jī)軟件新技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室和信息系統(tǒng)工程重點(diǎn)實(shí)驗(yàn)室，提出了一種用于知識(shí)圖譜補(bǔ)全的深度序列模型 DSKG。機(jī)器之心對(duì)該論文進(jìn)行了摘要介紹，感謝最佳論文作者胡偉教授對(duì)本文的確認(rèn)。

論文：DSKG：一種用于知識(shí)圖譜補(bǔ)全的深度序列模型（DSKG: A Deep Sequential Model for Knowledge Graph Completion）

• 論文下載：https://pan.baidu.com/s/1dItQ-H6bbVq5yhQ7RGJgpQ

• 項(xiàng)目地址：https://github.com/nju-websoft/DSKG

摘要：知識(shí)圖譜（KG）補(bǔ)全的目標(biāo)是填補(bǔ)知識(shí)圖譜中缺失的事實(shí)，其中每個(gè)事實(shí)都可表示成一個(gè)形式為 (主體, 關(guān)系, 客體) 的三元組。當(dāng)前的知識(shí)圖譜補(bǔ)全模型都只能通過(guò)三元組中的兩個(gè)元素（比如主體和關(guān)系）來(lái)預(yù)測(cè)剩余第三個(gè)元素。我們?cè)谶@篇論文中提出了一種新模型，其中使用了專門針對(duì)知識(shí)圖譜的多層循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）來(lái)將知識(shí)圖譜中的三元組建模成序列。我們?cè)趦蓚€(gè)基準(zhǔn)數(shù)據(jù)集和一個(gè)更為困難的數(shù)據(jù)集上進(jìn)行了傳統(tǒng)的實(shí)體預(yù)測(cè)任務(wù)實(shí)驗(yàn)，結(jié)果表明我們的方法在許多評(píng)測(cè)指標(biāo)上都優(yōu)于多個(gè)之前最佳的知識(shí)圖譜補(bǔ)全模型。此外，因?yàn)槲覀兊哪Ｐ途哂行蛄刑匦?#xff0c;所以只需給定單個(gè)實(shí)體，就能預(yù)測(cè)整個(gè)三元組。我們的實(shí)驗(yàn)表明我們的模型在這種三元組預(yù)測(cè)新任務(wù)上表現(xiàn)也較好。

1 引言

Freebase [2] 和 WordNet [12] 等知識(shí)圖譜（KG）通常會(huì)使用三元組來(lái)記錄數(shù)以十億計(jì)的真實(shí)世界事實(shí)，這些三元組可寫成 (主體, 關(guān)系, 客體) 的形式（可簡(jiǎn)寫為 (s,r,o)），其中 s 和 o 表示實(shí)體，r 表示 s 和 o 之間的關(guān)系。因?yàn)楫?dāng)前的知識(shí)圖譜還遠(yuǎn)沒(méi)有包含所有知識(shí)，所以還需要知識(shí)圖譜補(bǔ)全任務(wù)。之前的模型關(guān)注的重點(diǎn)是被稱為實(shí)體預(yù)測(cè)（也即鏈接預(yù)測(cè)）[3] 的一般任務(wù)，其要求基于給定的 (s,r,?) 或 (?,r,o) 來(lái)預(yù)測(cè)對(duì)應(yīng)的 o 或 s，從而補(bǔ)全知識(shí)圖譜中的三元組。圖 1a 展示了一個(gè)實(shí)體預(yù)測(cè)的抽象模型。輸入 s 和 r 首先被投射到某些向量或矩陣上，然后再組合這些向量或矩陣，得到一個(gè)連續(xù)表征 v_o，進(jìn)而預(yù)測(cè)得到 o。

圖 1：用于實(shí)體預(yù)測(cè)的不同模型。白圈和黑圈分別表示輸入向量和輸出向量。c 表示一個(gè) RNN 單元，h 表示一個(gè)隱藏狀態(tài)。DSKG 使用 c1、c2 來(lái)處理實(shí)體 s，使用 c3、c4 來(lái)處理關(guān)系 r。它們是不同的 RNN 單元。

盡管之前的模型已在實(shí)體預(yù)測(cè)上有良好的表現(xiàn)，但它們?nèi)匀豢赡懿蛔阋匝a(bǔ)全知識(shí)圖譜。讓我們假設(shè)一個(gè)模型可以基于給定的關(guān)系 r 而有效地補(bǔ)全一個(gè)實(shí)體 s。如果我們不提供任何關(guān)系，那么這個(gè)模型就無(wú)法填補(bǔ) s，因?yàn)樗鼰o(wú)法選擇用于完善這個(gè)實(shí)體的關(guān)系。實(shí)際上，知識(shí)圖譜的底層數(shù)據(jù)模型并不允許任何不完整的元組 (s,r) 存在。

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）是一種神經(jīng)序列模型，已經(jīng)在語(yǔ)言建模和機(jī)器翻譯 [7,16] 等許多自然語(yǔ)言處理（NLP）任務(wù)上取得了優(yōu)良的表現(xiàn)。知識(shí)圖譜中的三元組可被近似地看作是一個(gè)長(zhǎng)度為 3 的簡(jiǎn)單句子。比如，三元組 (USA, contains, NewYorkCity) 可被變換成句子「USA contains New York City」。這啟發(fā)了我們使用 RNN 來(lái)建模知識(shí)圖譜。但是，我們依然面臨著以下難題：（1）三元組不是自然語(yǔ)言。它們是用一種固定的表達(dá)方式 (s,r,o) 建模的復(fù)雜結(jié)構(gòu)。這樣短的序列可能不足以為預(yù)測(cè)提供足夠的上下文信息。與此同時(shí)，由于路徑數(shù)量巨大，構(gòu)建有價(jià)值的長(zhǎng)序列又具有很高的成本且難度很大。（2）在三元組中，關(guān)系和實(shí)體是以固定順序出現(xiàn)的兩種不同類型的元素。將它們視為同類型元素很可能是不合適的。

為了解決上述問(wèn)題，我們提出了 DSKG（用于知識(shí)圖譜的深度序列模型），其使用了一種新結(jié)構(gòu)的 RNN，并且使用了一種專門針對(duì)知識(shí)圖譜的采樣方法來(lái)進(jìn)行訓(xùn)練。為了闡釋我們的想法，我們?cè)O(shè)計(jì)了一個(gè)基本的 RNN 模型作為初始版本（如圖 1b 所示）。這個(gè)基本模型將輸入 s 和 r 視為同類型元素并循環(huán)式地處理它們。c 表示一個(gè) RNN 單元，其以之前的隱藏狀態(tài)和當(dāng)前元素為輸入，預(yù)測(cè)下一個(gè)隱藏狀態(tài)。實(shí)體層中的單元處理像是 s 的實(shí)體，而關(guān)系層中的單元處理像是 r 的關(guān)系。在這個(gè)模型中，僅有一個(gè)單元按順序處理所有輸入元素，所以 s 和 r 是被輸入同一個(gè)單元 c 來(lái)獲得它們各自的輸出。然后我們使用 h_s 來(lái)預(yù)測(cè) s 和 h_r 的關(guān)系，進(jìn)而預(yù)測(cè) s→r 的客體。

由于這個(gè)基本 RNN 模型僅使用了一個(gè) RNN 單元來(lái)處理所有輸入序列，所以可能無(wú)法很好地建模復(fù)雜結(jié)構(gòu)。在 NLP 領(lǐng)域，研究者通常會(huì)堆疊多個(gè) RNN 單元來(lái)改善結(jié)果。我們借用這一思想構(gòu)建了一個(gè)多層 RNN 模型（參見圖 1c）。但因?yàn)閷?shí)體和關(guān)系的特性非常不同，這個(gè)模型仍然不能準(zhǔn)確建模知識(shí)圖譜中的三元組。

如圖 1d 所示，我們提出的 DSKG 分別使用了多層 RNN 來(lái)處理實(shí)體和關(guān)系。具體而言，DSKG 為實(shí)體層和關(guān)系層使用了不同的 RNN 單元，即圖中的 c1、c2、c3、c4 全都是各不相同的 RNN 單元。我們相信這種專門針對(duì)知識(shí)圖譜的架構(gòu)可以在關(guān)系形式多樣且復(fù)雜的情況下表現(xiàn)得更好。因?yàn)?DSKG 將預(yù)測(cè)實(shí)體（或關(guān)系）看作是一個(gè)分類任務(wù)，所以我們還提出了一種定制的采樣方法，可根據(jù)當(dāng)前訓(xùn)練標(biāo)簽的類型采樣負(fù)例標(biāo)簽。此外，DSKG 還有能力預(yù)測(cè)一個(gè)實(shí)體的關(guān)系，這啟發(fā)了我們使用一種方法來(lái)通過(guò)關(guān)系預(yù)測(cè)改善實(shí)體預(yù)測(cè)的結(jié)果。舉個(gè)例子，在預(yù)測(cè) (USA, contains, ?) 時(shí)，模型可以自動(dòng)濾除人或電影這樣的實(shí)體，因?yàn)檫@些實(shí)體與關(guān)系 contains 無(wú)關(guān)。

我們?cè)趦蓚€(gè)基準(zhǔn)數(shù)據(jù)集上執(zhí)行了實(shí)體預(yù)測(cè)實(shí)驗(yàn)，結(jié)果表明 DSKG 在許多評(píng)測(cè)指標(biāo)上都優(yōu)于多種之前最佳的模型。更進(jìn)一步，我們?cè)?FB15K-237 [14] 上對(duì) DSKG 進(jìn)行了評(píng)估，結(jié)果表明 DSKG 優(yōu)于其它模型。此外，我們還設(shè)計(jì)了一種用于三元組預(yù)測(cè)的知識(shí)圖譜補(bǔ)全新實(shí)驗(yàn)，可作為實(shí)體預(yù)測(cè)的補(bǔ)充。我們的研究表明：相比于通用的多層 RNN 模型，DSKG 能得到更優(yōu)的結(jié)果。我們已在線公開我們的源代碼、數(shù)據(jù)集和實(shí)驗(yàn)結(jié)果。

3 方法

在這一節(jié)，我們首先將描述 RNN 及多層 RNN。然后，我們會(huì)提出 DSKG，這是一種專為知識(shí)圖譜設(shè)計(jì)的多層 RNN 變體。為了有效地訓(xùn)練 DSKG，我們還提出了一種基于類型的采樣方法。最后，我們會(huì)介紹一種使用關(guān)系預(yù)測(cè)增強(qiáng)實(shí)體預(yù)測(cè)的方法。

3.1 RNN 及多層 RNN

我們先來(lái)看僅有一個(gè) RNN 單元的基本 RNN 模型。給定一個(gè)序列 (x_1,...,x_T) 作為輸入，基本 RNN 模型的處理方式如下：

其中 f(·) 是一個(gè)激活函數(shù)，W_h、W_x、b 是參數(shù)。h_t 是在時(shí)間步驟 t 輸出的隱藏狀態(tài)。

多層 RNN 已經(jīng)在 NLP 領(lǐng)域的復(fù)雜分層架構(gòu)建模上得到了出色的表現(xiàn) [5]。通過(guò)堆疊多個(gè) RNN 單元，每個(gè)元素的復(fù)雜特征都可以被分層地處理（見圖 1c）。我可以將其寫成如下形式：

其中是第 i 個(gè) RNN 單元的參數(shù)。是第 i 個(gè) RNN 單元在時(shí)間步驟 t 的隱藏狀態(tài)。因此，每個(gè)輸入元素都會(huì)被每個(gè)單元按順序處理，這可以看作是將深度神經(jīng)網(wǎng)絡(luò)（DNN）和 RNN 的概念結(jié)合到一起。最后，我們可以使用最后一個(gè)單元的隱藏狀態(tài)作為時(shí)間步驟 t 的輸出 h_t。

3.2 我們提出的深度序列模型

將知識(shí)圖譜中的三元組看作是序列讓我們可以使用 RNN 建模這個(gè)知識(shí)圖譜。但是，這些長(zhǎng)度為 3 的序列（即三元組）非常特別：每個(gè)三元組中的實(shí)體和關(guān)系都有非常不同特性而且總是互相交錯(cuò)在一起。因此，我們認(rèn)為分別為實(shí)體和關(guān)系 RNN 構(gòu)建各自的多層 RNN 能幫助模型學(xué)習(xí)到更為復(fù)雜的結(jié)構(gòu)。根據(jù)這一直覺想法，我們提出了一種針對(duì)知識(shí)圖譜的多層 RNN，其使用了不同的 RNN 單元來(lái)分別處理實(shí)體和關(guān)系。如圖 1d 所示，使用這一架構(gòu)，整個(gè)網(wǎng)絡(luò)實(shí)際上是非循環(huán)式的，但仍然還是序列式的。我們可以將該結(jié)構(gòu)寫成如下形式：

其中 E 和 R 分別表示實(shí)體集和關(guān)系集。我們可根據(jù) x_t 的類型選擇當(dāng)前的多層 RNN，然后應(yīng)用公式 (2) 進(jìn)行計(jì)算。

// 受限于篇幅，有關(guān)基于類型的采樣方法和使用關(guān)系預(yù)測(cè)增強(qiáng)實(shí)體預(yù)測(cè)的方法在此略過(guò)。

4 實(shí)驗(yàn)

4.2 實(shí)體預(yù)測(cè)

遵照 [3,14,4] 以及其它許多研究，我們使用了 4 個(gè)評(píng)測(cè)指標(biāo)：（1）排名第一的結(jié)果是正確實(shí)體的百分比（Hits@1）；（2）正確實(shí)體在排名前十的結(jié)果的百分比（Hits@10）；（3）平均倒數(shù)排名（MRR）；（4）平均排名（MR）。另外要說(shuō)明，我們使用的是過(guò)濾后的排名 [3]，也就是說(shuō)我們僅在排名階段保留當(dāng)前測(cè)試的實(shí)體。由于 DSKG 僅需單個(gè)實(shí)體就能預(yù)測(cè)關(guān)系，所以我們報(bào)告了所謂的「級(jí)聯(lián)」結(jié)果。即，給定一個(gè)測(cè)試元組 (s,r,o)，DSKG 首先預(yù)測(cè)關(guān)系 (s,?) 來(lái)得到 r 的排名，然后再預(yù)測(cè) (s,r,?) 中的實(shí)體，得到 o 的排名。最后，將這兩個(gè)排名相乘，得到用于比較的結(jié)果（即最差排名）。

表 1 給出了在 FB15K 和 WN18 上的實(shí)驗(yàn)結(jié)果。因?yàn)檫@兩個(gè)數(shù)據(jù)集都包含很多逆向三元組，所以僅能學(xué)習(xí)逆向關(guān)系的 InverseModel 也得到了很好的結(jié)果。此外，我們可以看到 DSKG 在多數(shù)指標(biāo)上都優(yōu)于其它模型。尤其是 DSKG 在 Hits@1 指標(biāo)上是最佳的，這表明 DSKG 能夠相當(dāng)好地準(zhǔn)確學(xué)習(xí)預(yù)測(cè)實(shí)體。即使我們以級(jí)聯(lián)方式評(píng)估 DSKG，也仍然得到了相當(dāng)?shù)慕Y(jié)果。

表 1：在兩個(gè)基準(zhǔn)數(shù)據(jù)集上的實(shí)體預(yù)測(cè)結(jié)果。? 表示我們自己使用原研究提供的源代碼執(zhí)行的模型，因?yàn)樵墨I(xiàn)沒(méi)有使用其中某些指標(biāo)；- 表示結(jié)果未知，因?yàn)樵墨I(xiàn)未報(bào)告且我們不能獲得/運(yùn)行源代碼

表 2 給出了在 FB15K-237 上的實(shí)體預(yù)測(cè)結(jié)果。可以看到：（1）所有模型的表現(xiàn)都下降了。具體來(lái)看，InverseModel 完全無(wú)力處理這個(gè)數(shù)據(jù)集，這表明所有模型都再也不能通過(guò)使用逆向關(guān)系直接提升它們的表現(xiàn)了。（2）DSKG 在所有指標(biāo)上都顯著優(yōu)于其它模型。DSKG（級(jí)聯(lián)）還在某些指標(biāo)上達(dá)到了之前最佳的表現(xiàn)，比如 Hits@10。

表 2：在 FB15K-237 上的實(shí)體預(yù)測(cè)結(jié)果

表 3：數(shù)據(jù)集的統(tǒng)計(jì)信息

4.3 三元組預(yù)測(cè)

DSKG 不僅能預(yù)測(cè)實(shí)體，而且還能預(yù)測(cè)整個(gè)三元組。為了評(píng)估 DSKG 在直接預(yù)測(cè)三元組上的表現(xiàn)，我們構(gòu)建了一個(gè)具有較大窗口的波束搜索器。另外也還有一些能夠提升序列預(yù)測(cè)結(jié)果的復(fù)雜方法 [8]。具體而言，我們首先要求模型以所有實(shí)體為輸入來(lái)預(yù)測(cè)關(guān)系，然后選出前 10 萬(wàn)個(gè) (實(shí)體, 關(guān)系) 對(duì)來(lái)構(gòu)建出 (s,r,?) 這樣的不完整三元組。然后，該模型以這些不完整三元組為輸入，預(yù)測(cè)它們的最后一個(gè)實(shí)體。最后，我們選擇前 100 萬(wàn)個(gè)三元組作為輸出，并按降序方式對(duì)它們進(jìn)行排序以便評(píng)估。

我們使用了精度來(lái)評(píng)測(cè)這些輸出的三元組。設(shè)為輸出的最佳 n 個(gè)三元組的集合，表示一個(gè)知識(shí)圖譜的所有正確三元組的集合（包括測(cè)試集、驗(yàn)證集和訓(xùn)練集），表示預(yù)測(cè)得到三元組的集合（包括測(cè)試集和驗(yàn)證集）。則與最佳 n 個(gè)輸出三元組相關(guān)的精度 p_n 的計(jì)算方式為：

其中，分別表示中正確的、預(yù)測(cè)的和錯(cuò)誤的三元組數(shù)量。由此，我們可繪制 p_n 隨 n 變化的曲線。

我們?cè)谌齻€(gè)數(shù)據(jù)集上執(zhí)行了實(shí)驗(yàn)，并將 DSKG 與兩個(gè)通用模型 G2 和 G4 進(jìn)行了比較。G2 是一個(gè)通用的 2 層 RNN 模型（見圖 1c）。G4 是一個(gè)通用的 4 層 RNN 模型，因?yàn)?DSKG 也使用了 4 個(gè)不同的 RNN 單元。它們也都應(yīng)用了 DSKG 中所用的所有功能（采樣器、dropout 等）。

圖 2：在三個(gè)數(shù)據(jù)集上的三元組預(yù)測(cè)結(jié)果

從圖 2 上面一行可以看到，DSKG 在所有數(shù)據(jù)集上都顯著優(yōu)于 G2 和 G4，尤其是在 FB15K-237 上。另外，G4 的表現(xiàn)也比 G2 差。這可能是因?yàn)楦疃鹊木W(wǎng)絡(luò)和更多參數(shù)會(huì)讓實(shí)體和關(guān)系嵌入不適合訓(xùn)練。圖 2 下面一行給出了 DSKG 的三元組預(yù)測(cè)的詳細(xì)比例。在 FB15K-237 上，DSKG 以 0.47 的精度（前 10 萬(wàn)）正確預(yù)測(cè)了超過(guò) 2000 個(gè)三元組。在另外兩個(gè)更簡(jiǎn)單的數(shù)據(jù)集上，DSKG 表現(xiàn)更好。在 FB15K 上以 0.87 的精度（前 40 萬(wàn)）正確預(yù)測(cè)了 34155 個(gè)三元組，在 WN18 上以 0.91 的精度（前 17 萬(wàn)）正確預(yù)測(cè)了 5037 個(gè)三元組。注意，DSKG 在 WN18 上的精度最后出現(xiàn)了陡然下降，這是因?yàn)?WN18 僅有 10000 個(gè)三元組供預(yù)測(cè)，而 DSKG 已經(jīng)輸出了所有其所能預(yù)測(cè)的三元組。

5 分析

5.1 與其它模型的比較

為了分析 DSKG 各個(gè)部分的貢獻(xiàn)，我們開發(fā)了一系列僅包含部分功能的子模型：

• NR：在訓(xùn)練中沒(méi)有使用關(guān)系損失的 DSKG。構(gòu)建這個(gè)模型的目的是評(píng)估最小化關(guān)系損失對(duì)實(shí)體預(yù)測(cè)的影響。

• NS（非序列）：我們使用了 4 個(gè)全連接層（ReLU 作為激活函數(shù)）來(lái)替換 DSKG 中的 RNN，并減少了關(guān)系層和實(shí)體層之間的連接。最后，我們添加了一個(gè)密集層來(lái)組合這兩個(gè)層的輸出。這個(gè)模型與 DSKG 仍有一些其它共有特性（比如 dropout 和采樣器）。構(gòu)建該模型的目的是了解序列特性的影響。

• NRE：沒(méi)有使用基于關(guān)系預(yù)測(cè)增強(qiáng)實(shí)體預(yù)測(cè)的 DSKG（3.4 節(jié)）。

圖 3：DSKG 以及其它模型在 FB15K-237 上的表現(xiàn)

圖 3 給出了這些模型以及 G2 和 G4 模型在 FB15K-237 的驗(yàn)證集上的表現(xiàn)。我們可從結(jié)果中觀察到：

• 序列特性是 DSKG 的關(guān)鍵點(diǎn)。對(duì)比 DSKG 和 NR 與 NS，我們可以發(fā)現(xiàn)：（1）盡管 NR 保有序列結(jié)構(gòu)，但它的表現(xiàn)仍不及 DSKG，因?yàn)?NR 沒(méi)有學(xué)習(xí)預(yù)測(cè)關(guān)系；（2）NS 沒(méi)有使用序列結(jié)構(gòu)，也沒(méi)有學(xué)習(xí)預(yù)測(cè)關(guān)系。因此，它是圖 3 中結(jié)果最差的。

• 針對(duì)知識(shí)圖譜的多層 RNN 架構(gòu)能顯著提升表現(xiàn)。在 FB15K-237 上，DSKG 在所有指標(biāo)上都優(yōu)于 G2 和 G4，即使 DSKG 沒(méi)有使用關(guān)系預(yù)測(cè)增強(qiáng)也一樣。注意，在第 4.3 節(jié)，我們已經(jīng)表明 DSKG 在三元組預(yù)測(cè)上優(yōu)于 G2 和 G4。因此，DSKG 中使用的架構(gòu)建模知識(shí)圖譜的能力比通用型多層 RNN 模型更好。

• 關(guān)系預(yù)測(cè)增強(qiáng)方法能進(jìn)一步優(yōu)化實(shí)體預(yù)測(cè)結(jié)果。DSKG 的表現(xiàn)總是優(yōu)于 NRE，即使在 MR 指標(biāo)上也是如此，因?yàn)?DSKG 能直接去除很多不正確的實(shí)體。

5.2 層數(shù)的影響

表 4：在 FB15K-237 上，不同層數(shù)的 DSKG 的實(shí)體預(yù)測(cè)結(jié)果；? 一行是第 4 節(jié)所使用的主要結(jié)果

5.3 嵌入大小的影響

表 5：在 FB15K-237 上，不同嵌入大小的 DSKG 的實(shí)體預(yù)測(cè)結(jié)果?

-End-

實(shí)驗(yàn)室介紹：南京大學(xué)萬(wàn)維網(wǎng)軟件（Websoft）研究組在瞿裕忠教授的帶領(lǐng)下，長(zhǎng)期從事知識(shí)圖譜（語(yǔ)義網(wǎng)）及相關(guān)技術(shù)的研發(fā)，研究組成員包括胡偉副教授、程龔副教授以及30余位博士和碩士研究生，近期的研究方向主要包括：智能問(wèn)答、知識(shí)融合和語(yǔ)義搜索。
聯(lián)系方式：胡偉，whu@nju.edu.cn，微信號(hào)：whu1982
網(wǎng)站：http://ws.nju.edu.cn

---

OpenKG.CN

中文開放知識(shí)圖譜（簡(jiǎn)稱OpenKG.CN）旨在促進(jìn)中文知識(shí)圖譜數(shù)據(jù)的開放與互聯(lián)，促進(jìn)知識(shí)圖譜和語(yǔ)義技術(shù)的普及和廣泛應(yīng)用。

點(diǎn)擊閱讀原文，進(jìn)入 OpenKG 博客。

總結(jié)

以上是生活随笔為你收集整理的CCKS 2018 | 最佳论文：南京大学提出 DSKG，将多层 RNN 用于知识图谱补全的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。