知识图谱与表征学习

首先我们从关系网络出发,循序渐进的来了解什么是知识图谱,什么是表征学习。在熟悉了基本的概念后,我们再来讨论实现知识实体向量化的三种模型:TransE、TransH和TransR。

讲师:   张江

知识图谱与表征学习

课程背景:

知识图谱(Knowledge graph)技术是近年来兴起的热门人工智能技术,它可以被广泛地应用在知识表达、自动推理、对话生成、自动问答等人工智能系统中。表示学习(也称为表征学习,Representation learning)是将考虑的实体或关系计算出相应的向量化表示的方法,它是深度学习的最核心技术。本节课就分别针对知识图谱的概念、应用,以及知识图谱上面的表征学习进行了概览性的介绍。

课程大纲:

  • 什么是知识图谱

  • 知识图谱都有哪些应用?

  • 构建知识图谱的方法

  • 什么是表示学习

  • 如何将知识图谱嵌入到线性空间中的思想

  • TransE算法

  • TransH算法

  • TransR算法


相关课程:

image.png

知识表征学习简介——原理及实现方法

11ecfaaed3014775afd57111615e8475.png

李嫣然:Word2Vec: 词向量技术的基础与模型 - 深度学习与自然语言处理1


g3.png

谷伟伟:浅谈Word2Vec:自然语言处理的基石



课程笔记:

知识图谱与表示学习笔记

  • 作者:Jake

一、什么是知识图谱?

所谓的知识图谱其实就是一个由大量的三元组<head, relation, tail>所构成的集合,其中head和tail都是所谓的实体(Entity),它们分别对应主语和宾语,而relation是所谓的关系,它通常表达了某种动作或关系。用这种三员组可以表达很多种关系,比如“奥巴马曾经在哥伦比亚上学”,我们就可以表达为三元组<奥巴马, 学校, 哥伦比亚大学>。


从另一个角度说,这种三元组的集合可以构成一个多关系网络,其中实体是节点,关系是连边。由于连边可能有多种类型,比如学习,比如住所,比如父子,等等,那么对应的连边也就有多种类型,如下图所示:

blob.png


二、知识图谱的应用

用这样的多关系网络我们能做什么?我们可以做自动推理,比如现在的搜索引擎实际上都可以和用户完成自然语言问答。例如我们输入"who is the son of Albert Einstein"的时候,系统并不是简单地对这些出现的关键词做匹配,而是利用知识图谱,自动推理出爱因斯坦的儿子是Hans Einstein。2013年,印度裔Google工程师Amit Sinhal将知识图谱引入到了Google搜索引擎之中。


另外,知识图谱在金融领域存在着广泛的用途,包括 •数据自动校准 •防欺诈 •法金授信 •二级市场分析 •投资研究等等。知识图谱还可以用于问答系统中。比如著名的IBM超级计算系统Watson就利用了YAGO、DBpedia以及Freebase这些大型的知识图谱系统来完成自动推理,并最终在Jeopardy游戏之中战胜人类选手的。

……


更多内容,请购买课程观看

讲师介绍
张江

北京师范大学系统科学学院教授,博士生导师,集智俱乐部、集智AI学园创始人,集智科学家,阿里研究院、腾讯研究院、网络智库专家,人工智能研究者与布道者。主要讲授课程:人工智能、复杂性思维、计算机建模与模拟、Matlab基础及其应用。主要从事的研究领域包括:复杂系统建模、计算社会科学等。曾发表学术论文数十篇,访问过圣塔菲研究所、密西根复杂系统中心等知名国外大学。曾带领集智俱乐部写作、出版书籍:《科学的极致——漫谈人工智能》,《走近2050——注意力、互联网与人工智能》。