內容簡介

知識圖譜旨在將人類知識組織成結構化知識系統，是人工智能實現真正意義的理解、記憶與推理的重要基礎。知識圖譜作為典型的符號表示系統，如何有效用於機器學習演算法，面臨著知識表示、知識獲取和計算推理等方面的諸多挑戰。近年來，以神經網路為代表的深度學習技術引發了人工智能的新一輪浪潮。

本書介紹了作者團隊在知識圖譜與深度學習方面的研究成果，展現了資料驅動的深度學習與符號表示的知識圖譜之間相互補充和促進的技術趨勢。本書內容對於人工智能基礎研究具有一定的參考意義，既適合專業人士瞭解知識圖譜、深度學習和人工智能的前沿熱點，也適合對人工智能感興趣的本科生和研究生作為學習讀物。

作者介紹

劉知遠

清華大學電腦系副教授、博士生導師。主要研究方向為表示學習、知識圖譜和社會計算。2011年獲得清華大學博士學位，已在ACL、IJCAI、AAAI等人工智慧領域的著名國際期刊和會議發表相關論文60余篇，穀歌學術引用超過7 000次。博士論文曾被評為清華大學優秀博士學位論文、中國人工智慧學會優秀博士學位論文。曾被評為清華大學優秀博士後，獲得過中文資訊學會青年創新獎，入選《麻省理工科技評論》“35歲以下科技創新35人”中國區榜單（MIT TR-35 China）、中國科學技術協會青年人才托舉工程、中國電腦學會青年學者提升計畫。多次擔任ACL、EMNLP、COLING、IJCNLP等著名國際會議的領域主席。

韓旭

清華大學電腦系博士生，主要研究方向為自然語言處理、知識圖譜、資訊抽取。在AAAI、ACL、EMNLP、COLING、NAACL等人工智慧領域的著名國際會議上發表多篇論文，是OpenKE、OpenNRE等開源專案的開發者之一。

第1章緒論.1
1.1 知識圖譜簡介2
1.2 深度學習的優勢和挑戰4
1.3 深度學習知識圖譜=1 .8
1.3.1 知識的表示學習9
1.3.2 知識的自動獲取10
1.3.3 知識的計算應用13
1.4 本書結構14
1.5 本章總結14

第一篇世界知識圖譜

第2章世界知識的表示學習19
2.1 章節引言19
2.2 相關工作20
2.2.1 知識表示學習經典模型20
2.2.2 平移模型及其拓展模型22
2.3 基於複雜關係建模的知識表示學習25
2.3.1 演算法模型.25
2.3.2 實驗分析.26
2.3.3 小結32
2.4 基於關係路徑建模的知識表示學習32
2.4.1 演算法模型.32
2.4.2 實驗分析.34
2.4.3 小結39
vi j 知識圖譜與深度學習
2.5 基於屬性關係建模的知識表示學習39
2.5.1 演算法模型.40
2.5.2 實驗分析.41
2.5.3 小結44
2.6 融合實體描述資訊的知識表示學習44
2.6.1 演算法模型.45
2.6.2 實驗分析.47
2.6.3 小結54
2.7 融合層次類型資訊的知識表示學習55
2.7.1 演算法模型.55
2.7.2 實驗分析.57
2.7.3 小結62
2.8 融合實體圖像資訊的知識表示學習62
2.8.1 演算法模型.63
2.8.2 實驗分析.64
2.8.3 小結68
2.9 本章總結68

第3章世界知識的自動獲取70
3.1 章節引言70
3.2 相關工作71
3.2.1 有監督的關係抽取模型71
3.2.2 遠端監督的關係抽取模型.72
3.3 基於選擇性注意力機制的關係抽取73
3.3.1 演算法模型.74
3.3.2 實驗分析.78
3.3.3 小結82
3.4 基於關係層次注意力機制的關係抽取83
3.4.1 演算法模型.83
3.4.2 實驗分析.86
3.4.3 小結89
3.5 基於選擇性注意力機制的多語言關係抽取.89
3.5.1 演算法模型.90
3.5.2 實驗分析.93
3.5.3 小結98
3.6 引入對抗訓練的多語言關係抽取98
3.6.1 演算法模型.99
3.6.2 實驗分析.103
3.6.3 小結106
3.7 基於知識圖譜與文本互注意力機制的知識獲取.106
3.7.1 演算法模型.107
3.7.2 實驗分析.112
3.7.3 小結117
3.8 本章總結118

第4 章世界知識的計算應用119
4.1 章節引言119
4.2 細細微性實體分類120
4.2.1 演算法模型.120
4.2.2 實驗分析.122
4.2.3 小結129
4.3 實體對齊129
4.3.1 演算法模型.129
4.3.2 實驗分析.132
4.3.3 小結135
4.4 融入知識的資訊檢索.136
4.4.1 演算法模型.136
4.4.2 實驗分析.138
4.4.3 小結143
viii j 知識圖譜與深度學習
4.5 本章總結143

第二篇語言知識圖譜

第5 章語言知識的表示學習147
5.1 章節引言147
5.2 相關工作148
5.2.1 詞表示學習148
5.2.2 詞義消歧.149
5.3 義原的表示學習149
5.3.1 演算法模型.149
5.3.2 實驗分析.152
5.3.3 小結155
5.4 基於義原的詞表示學習156
5.4.1 演算法模型.156
5.4.2 實驗分析.159
5.4.3 小結164
5.5 本章總結164
第6 章語言知識的自動獲取166
6.1 章節引言166
6.2 相關工作167
6.2.1 知識圖譜及其構建167
6.2.2 子詞和字級NLP 167
6.2.3 詞表示學習及跨語言的詞表示學習167
6.3 基於協同過濾和矩陣分解的義原預測168
6.3.1 演算法模型.168
6.3.2 實驗分析.171
6.3.3 小結175
6.4 融入中文字資訊的義原預測175
6.4.1 演算法模型.176
6.4.2 實驗分析.179
6.4.3 小結183
6.5 跨語言詞彙的義原預測183
6.5.1 演算法模型.184
6.5.2 實驗分析.188
6.5.3 小結194
6.6 本章總結194

第7章語言知識的計算應用195
7.1 章節引言195
7.2 義原驅動的詞典擴展.196
7.2.1 相關工作.196
7.2.2 任務設定.198
7.2.3 演算法模型.199
7.2.4 實驗分析.202
7.2.5 小結207
7.3 義原驅動的神經語言模型.207
7.3.1 相關工作.208
7.3.2 任務設定.209
7.3.3 演算法模型.210
7.3.4 實驗分析.213
7.3.5 小結219
7.4 本章總結219

第8章總結與展望220
8.1 本書總結220
8.2 未來展望221
8.2.1 更全面的知識類型221
8.2.2 更複雜的知識結構222
8.2.3 更有效的知識獲取223
8.2.4 更強大的知識指導223
x j 知識圖譜與深度學習
8.2.5 更精深的知識推理224
8.3 結束語224

相關開源資源226
參考文獻228
後記.243

看更多