知识表征学习专题

本系列课程主要讲解知识图谱(Knowledge graph)以及实现知识图谱的多种算法,内容摆阔知识图谱的基本概念,实现知识图谱的常见模型等等。(课时:2小时56分钟 课程:4节)

知识图谱 表征学习 PTransE TransG RepresentationLearning

    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。

    知识图谱非常重要,但是传统的知识图谱推理很难进行长链、全局化的推理,因为需要存在着组合爆炸的问题。解决这个问题的方法就是利用表示学习技术。

    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。深度学习之所以具有非常广泛的应用,原因就在于表示学习。

    Word2Vec就是一套非常成功的表示学习技术,它将单词转化成了向量,并且可以在一定程度上学习到了单词之间的抽象关系。比如著名的公式:(男人-女人=国王-王后)。

    除了Word2Vec,在知识表征学习领域还应用有大量基于神经网络和基于“翻译”的模型,其中包括SE模型,TransE、TransR、TransG…… 这些模型都是怎样实现的?每个模型各有什么特点?

    课程目的

    认真学习本系列课程,你将能做到:

    • 详细了解什么是知识图谱,它有什么作用,能应用在哪里,又是怎么构建的。

    • 深入了解构建知识图谱的主要模型和算法