大规模结构化知识的表示学习、自动获取与计算应用

发布时间：2024-06-15 03:15

　　知识图谱是人工智能研究和智能信息服务基础核心技术,能够赋予智能体精准查询、深度理解与逻辑推理等能力。目前,基于深度学习的自然语言处理技术只能从数据中机械地学习完成特定任务的语义模式,不具备鲁棒性和可解释性,做不到对语言的深层理解与推理。我们认为要想实现真正的自然语言理解,需要在现有深度学习技术的基础上融合知识图谱信息。实现自然语言处理与知识图谱的融合并非轻而易举,需要解决几个关键问题:(1)知识表示。在深度学习模型中充分利用大规模知识图谱,需要首先解决知识图谱表示的问题。在这方面,我的工作包括:a.考虑知识图谱复杂关系的知识表示:我们提出了基于映射矩阵进行空间投影的知识图谱表示模型,用于处理知识图谱中的复杂关系。b.考虑知识图谱复杂路径的知识表示:我们认为实体之间多步的关系路径同样包含着丰富的关系推理信息,并提出了一种基于路径表示的知识图谱表示模型。c.考虑知识图谱复杂属性的知识表示:我们提出了一种同时学习知识图谱中实体、关系和特性表示的知识图谱表示模型,以提高知识图谱表示的质量。(2)知识获取。如何从互联网大规模的结构化、半结构和无结构数据中自动获取知识,辅以少量人工校验,是大规模知...

【文章页数】：128 页

【学位级别】：博士

【部分图文】：

图1.1谷歌知识图谱样例

第1章引言图1.1谷歌知识图谱样例。1.1.1知识图谱知识图谱，就是将人类知识结构化形成的知识系统。知识图谱是人工智能研究和智能信息服务基础核心技术，能够赋予智能体精准查询、深度理解与逻辑推理等能力，被广泛运用于搜索引擎、问答系统、智能对话系统以及个性化推荐等知识驱动的任务。为了....

图1.2远程监督自动构建关系抽取数据集

第1章引言司’’退休，无法反映实体之间存在‘‘创立者’’的关系，这些噪音训练数据会显著影响关系抽取深度学习模型的性能。此外，如何充分利用多语言文本数据进行关系抽取也是关系抽取深度学习模型面临的挑战性问题。图1.2远程监督自动构建关系抽取数据集1.4知识应用在构建完成大规模知识图谱....

图1.3工作框架

第1章引言1.5本文主要内容图1.3工作框架如图1.3所示，本文针对知识智能中的三个关键问题：面向知识图谱的知识表示、知识获取和知识应用系统性的进行了以下七个工作：考虑知识图谱复杂关系的知识表示学习：在知识图谱中，同一个实体在不同的关系场景下具有的语义是有区别的，例如‘‘奥巴马’....

图4.1基于知识注意力机制的神经细粒度实体分类的模型框架

第4章结构化知识的计算应用图4.1基于知识注意力机制的神经细粒度实体分类的模型框架语义类型。4.3.1.1句子编码器KNET模型首先在词向量的基础上得到命名实体与上下文单词的表示。由于命名实体包含的词的数量通常较少，如果采用复杂的模型（如CNN或RNN）倾向于过拟合，KNET模型....

本文编号：3994840