知识图谱学习和推理研究进展

被引：62

作者：

吴运兵 ^{[1
]}

杨帆 ^{[2
]}

赖国华 ^{[3
]}

林开标 ^{[3
,4
]}

机构：

[1] 福州大学数学与计算机科学学院

[2] 厦门大学自动化系

[3] 台湾元智大学资讯学院

[4] 厦门理工学院计算机与信息工程学院

来源：

小型微型计算机系统 | 2016年 / 37卷 / 09期

关键词：

知识图谱; 链接预测; 实体解析; 知识图谱完善;

D O I：

10.20009/j.cnki.21-1106/tp.2016.09.022

中图分类号：

TP391.1 [文字信息处理]; TP18 [人工智能理论];

学科分类号：

120506 [数字人文]; 140502 [人工智能];

摘要：

知识图谱是在大数据时代背景下产生的一种新型知识表示方式和数据管理模式.学习和推理是知识图谱应用研究的核心内容之一,主要任务是链接预测、实体解析和基于聚类的链接等,它能够进一步完善知识图谱,并解决问题回答和信息检索等领域问题,因此,学习和推理的算法研究具有十分重要的意义.国内知识图谱研究和应用正处于开展阶段,学习和推理算法的中文文献相对较少,针对当前知识图谱的学习和推理算法进行了归纳总结和介绍,比较各种算法的优缺点,同时对当前研究中所面临的一些主要问题及发展方向进行了探讨.

引用

页码：2007 / 2013

页数：7

共 8 条

[1]

DBpedia – A large-scale; multilingual knowledge base extracted from Wikipedia.[J].Jens Lehmann;Robert Isele;Max Jakob;Anja Jentzsch;Dimitris Kontokostas;Pablo N. Mendes;Sebastian Hellmann;Mohamed Morsey;Patrick van Kleef;Sören Auer;Christian Bizer.Semantic Web.2015, 2

[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 [J].