面向?qū)嶓w知識的表示學(xué)習(xí)研究.pdf

1、隨著大數(shù)據(jù)爆炸式的增長，數(shù)據(jù)越來越龐大，想要從互聯(lián)網(wǎng)上獲得精確信息越來越難。近年來，隨著深度學(xué)習(xí)的興起，以深度學(xué)習(xí)為代表的表示學(xué)習(xí)技術(shù)受到了廣泛的關(guān)注。表示學(xué)習(xí)也被應(yīng)用到了大規(guī)模知識圖譜的構(gòu)建。
　　詞語的表示雖然有多種，如何更高效表示，成為了重要而基礎(chǔ)的工作。目前一種表示學(xué)習(xí)（分布式表示）方法受到廣泛關(guān)注。當(dāng)前詞是利用上下文信息映射到一個低維的空間中的向量，與傳統(tǒng)的向量表示有所不同，這種詞向量被映射成低維、實值、稠密的向量。低維

2、有效的降低了計算的復(fù)雜度;實值化有利于消除詞語之間語義鴻溝;稠密使得每一維度的數(shù)值都參與了計算。
　　表示學(xué)習(xí)是一種很高效的表示方法。在知識庫的表示中，知識一般是以三元組（頭實體，關(guān)系，尾實體）的方式來表示。借助于詞向量表示方法，將知識三元組表示為（頭實體向量h，關(guān)系向量r，尾實體向量t）。由于詞向量具有平移不變性的特點，經(jīng)過一系列的線性變換，在實體知識三元組中，使得h+r=t等式成立。將頭實體h加上某種關(guān)系r得到某個尾實體t。根

3、據(jù)這個特點，有學(xué)者就提出了翻譯模型，認為關(guān)系r可以看成是頭實體h到尾實體t的翻譯。
　　由于翻譯模型過于簡單，對于復(fù)雜關(guān)系的表示并不理想，關(guān)系與實體混在同的空間里計算。通過一系列的矩陣映射，本文提出了一個新模型，翻譯矩陣映射模型(TMM)。將頭實體與尾實體分別映射到同一關(guān)系語義空間中，得到新的頭、尾實體和關(guān)系表示。在復(fù)雜關(guān)系表示中，特別是歧義、噪聲問題，翻譯矩陣映射模型并不能有效捕捉這些信息。因此，本文提出了高斯消歧模型TMMG，

4、將關(guān)系與實體看成是一個高斯分布，有效的消除了歧義關(guān)系。在鏈接預(yù)測評測實驗中，實驗結(jié)果顯示新模型有較好的表現(xiàn)。
　　實體知識圖譜的表示中，推理分為規(guī)則的推理和基于圖的推理?；谝?guī)則的推理需要依賴背景知識、經(jīng)驗等將大量規(guī)則加入到推理中，優(yōu)點是推理精確度高，缺點是通用性差，需要人工制定規(guī)則?；趫D的推理可以通過算法自動發(fā)現(xiàn)推理關(guān)系，優(yōu)點是自動識別、通用性好，缺點是精確度不是很高。在知識圖譜中，結(jié)點表示實體知識，邊表示對應(yīng)的關(guān)系。對較為重