知识表示学习研究进展

被引：256

作者：

刘知远

孙茂松

林衍凯

谢若冰

机构：

[1] 清华大学计算机科学与技术系

[2] 智能技术与系统国家重点实验室(清华大学)

[3] 清华信息科学与技术国家实验室(筹)

来源：

计算机研究与发展 | 2016年 / 53卷 / 02期

关键词：

知识表示; 表示学习; 知识图谱; 深度学习; 分布式表示;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

人们构建的知识库通常被表示为网络形式,节点代表实体,连边代表实体间的关系.在网络表示形式下,人们需要设计专门的图算法存储和利用知识库,存在费时费力的缺点,并受到数据稀疏问题的困扰.最近,以深度学习为代表的表示学习技术受到广泛关注.表示学习旨在将研究对象的语义信息表示为稠密低维实值向量,知识表示学习则面向知识库中的实体和关系进行表示学习.该技术可以在低维空间中高效计算实体和关系的语义联系,有效解决数据稀疏问题,使知识获取、融合和推理的性能得到显著提升.介绍知识表示学习的最新进展,总结该技术面临的主要挑战和可能解决方案,并展望该技术的未来发展方向与前景.

引用

页码：247 / 261

页数：15

共 5 条

[1] Human-level concept learning through probabilistic program induction
Lake, Brenden M.
Salakhutdinov, Ruslan
Tenenbaum, Joshua B.
[J]. SCIENCE, 2015, 350 (6266) : 1332 - 1338
[2] A semantic matching energy function for learning with multi-relational data[J] . Antoine Bordes,Xavier Glorot,Jason Weston,Yoshua Bengio.Machine Learning . 2014 (2)
[3] Relational retrieval using a combination of path-constrained random walks
Lao, Ni
Cohen, William W.
[J]. MACHINE LEARNING, 2010, 81 (01) : 53 - 67
[4] Probase:A probabilistic taxonomy for text understanding .2 Wu W,Li H,Wang H,et al. Proceedings of the 2012 ACM SIGMOD International Conference on Management of Data . 2012
[5] Joint learning of words and meaning representations foropen-text semantic parsing .2 Bordes A,Glorot X,Weston J. AISTATS . 2012

← 1 →