知识图谱
2018-01-09 15:12:37 335 举报AI智能生成
由论文里提取的关于知识图谱的关键技术、应用场景、难点等一些知识点
作者其他创作
大纲/内容
知识抽取
实体抽取
基于规则与词典的方法
基于统计机器学习的方法
面向开放领域的实体抽取
关系抽取
开放式关系抽取
基于联合推理的实体关系抽取
属性抽取
针对实体而言，形成对实体的完整刻画
知识表示
应用场景
语义相似度计算
链接预测
代表模型
距离模型
单层神经网络模型
双线性模型
神经张量模型
矩阵分解模型
翻译模型
复杂关系模型
复杂关系主要 指的是1-to-N、N-to-1、N-to-N的3种关系类型
多源信息融合
知识融合
实体对齐
消除异构数据中实体冲突、指向不明等不一 致性问题
知识加工
主要包括本体构建与质量评估两方面的内容
知识更新
主要包括模式层的更新与数据层的更新
知识推理
基于逻辑的推理
主要包括一阶谓词逻辑、描述逻辑以及规则等
基于图的推理
主要是利用了关系路径中的蕴涵信息，通过图中两个实体间的多步路径来预测它们之间的语义关系
架构
逻辑架构
数据层
由一系列事实组成，知识将以事实为单位进行存储
模式层
建立在数据层之上，通过本体库来规范数据层的一系列表达
体系架构
自顶向下
先为知识图谱定义好本体与数据模式，再将实体加入到知识库，需要利用现有的知识库作为基础，比如维基百科
自底向上
从数据中提取实体，选择其中置信度较高的加入到知识库，再构建顶层的本体模式，大多数都采用这种方式
应用
智能搜索
深度问答
社交网络
垂直领域
金融领域
反欺诈
精准营销
医疗领域
电商行业
挑战
知识获取
目前，基于大规模开放域的知识抽取研究仍处于起步阶段，尚需研究者努力去攻关开垦
知识表示
目前存在的表示方式仍是基于三元组形式完成的语义映射，在面对复杂的知识类型、多源融合的信息时，其表达能力仍然有限
知识融合
实体对齐是知识融合中的关键步骤，虽然相关研究已取得了丰硕的成果，但仍有广阔的发展空间
知识应用
目前，大规模知识图谱的应用场景和方式还比较有限，其在智能搜索、深度问答、社交网络以及其他行业中的使用也只是处于初级阶段，仍具有广阔的可扩展空间
0 条评论
下一页
为你推荐
查看更多
