知识表征学习:原理及模型综述

本课程主要讲解知识表征学习的概念以及其实现模型综述,内容包括:基于神经网络的模型、基于张量的模型、基于翻译的模型。(课时:67 分钟)

知识图谱 表征学习 节点嵌入 TransE算法 TransR算法

讲师:   文雷

课程资料

  • 讲稿下载:(报名后可见)

  • 相关资料:

    • (报名后可见)

课程背景

目前有大量的人类知识,都以离散化的形式保存在数据库里。大量离散的信息条目对人类来说并没有太大的作用,但是如果能给这些条目建立知识图谱,那么就可以利用知识图谱进行知识问答,甚至知识推理。

然而在庞大的知识数据库里,要对所有数据建立图结构可不容易。首先知识条目数量极多,需要巨大的计算量;其次知识条目间存在对应关系不对称的问题,使用常规方法建立知识图难上加难。

这时候就需要使用”知识表示学习“来解决以上问题。

本节课程从知识表示方法开始,为你详细的介绍知识表征学习的三大方法,以及各方法主要采用的模型,并对模型的数学原理进行了详细的解释。如果你对“知识表达学习”和“知识嵌入”感兴趣,那么本节课程你不应错过。

课程目的

学完本课程,你能做到

  • 了解知识表征学习的概念,各实现方法的原理,以及应用

课程详情

本课程的主要内容有:

  • 知识表示介绍

    • 知识图

    • 图表达方式、符号表达方式

    • 什么是知识表征学习

  • 知识表征学习的三大实现方法

    • 基于神经网络的方法实现

    • 协调投影与实体间关系的改进模型

    • 语意匹配能量网络

    • 张量神经网络

  • 基于张量的方法实现

  • 基于翻译(Translation-Based)的方法实现

  • 知识表征学习的应用

    • 三元组分类

    • 链路预测

相关课程

image.png

知识图谱与表征学习——张江

image.png

知识表征学习——TransG模型解析